Les paradigmes de l’intelligence artificielle en vue de la détection de Covid-19

Abstract

In December 2019, the world was hit by COVID-19 pandemic consisting of an overwhelming challenge for the medical community around the globe. Indeed, it is critical to predict the COVID-19 pandemic due to the virus's tremendous transmission capacity and potential harm. To tackle the effects of the outbreak; artificial intelligence, machine learning and deep learning based methods gained immense momentum in the early screening since they have introduced new breakthroughs in the healthcare field and becoming the cutting-edge medical image analysis tools with outstanding performance. The main goal of the present work is to introduce the first representation-learning approach specifically built for obtaining an effective and reliable assessment of COVID-19 disease severity via automated CXR interpretation. Indeed, we deal firstly with lungs segmentation based U-net model which consists of an essential advance to remove the unnecessary background because, based on medical experience, the lesions caused by COVID-19 are not situated outside the lungs. Secondly, the classification framework based SVM algorithm is implemented to detect COVID-19 infection by power laws models of Zipf and inverse Zipf with Gabor filters for texture characterization. The suggested approach has the ability to distinguish among X-rays of COVID-19, viral pneumonia, bacterial pneumonia and a healthy person with high accuracy.En décembre 2019, le monde a été frappé par la pandémie de COVID-19 consistant en un défi écrasant pour la communauté médicale du monde entier. En effet, il est essentiel de prévoir la pandémie de COVID-19 en raison de l'énorme capacité de transmission du virus et de ses dommages potentiels. Pour faire face aux effets de l'épidémie, les approches basées sur l'intelligence artificielle, l'apprentissage automatique et sur l'apprentissage profond ont pris un immense élan dans le dépistage précoce, du fait qu’elles ont introduit de nouvelles percées dans le domaine de la santé et sont devenues les outils d'analyse d'images médicales de pointe avec des performances exceptionnelles. L'objectif principal de ce travail est de suggérer une approche dans le but d’obtenir une évaluation efficace et fiable de la gravité de la maladie de COVID-19 via une interprétation automatisée de la CXR. En effet, nous traitons d'abord la segmentation pulmonaire par le modèle U-net qui consiste en une avancée essentielle pour éliminer les parties inutiles car, d'après l'expérience médicale, les lésions causées par le COVID-19 ne sont pas situées à l'extérieur des poumons. Deuxièmement, une classification basée l'algorithme SVM est mis en œuvre pour détecter l'infection au COVID-19 par des modèles de lois puissance de Zipf et de Zipf inverse avec des filtres de Gabor pour la caractérisation de la texture. L'approche suggérée a la capacité de faire la distinction entre les images échographiques de COVID-19, de la pneumonie virale, de la pneumonie bactérienne ainsi qu’une personne en bonne santé avec une grande précision.