| Summary: | COVID-19 is currently an ongoing pandemic and the large demand for testing of the disease has led to insufficient resources in hospitals. In order to increase the efficiency of COVID- 19 detection, computer vision based systems can be used. However, a large set of training data is required for creating an accurate and reliable model, which is currently not feasible to be acquired considering the novelty of the disease. Other models are currently being used within the healthcare sector for classifying various diseases, one such model is for identifying pneumonia cases by using radiographs and it has achieved high enough accuracy to be used on patients [18]. With the background of having limited data for COVID-19 identification, this thesis evaluates the benefit of using transfer learning in order to augment the performance of the COVID-19 detection model. By using pneumonia dataset as a base for feature extraction the goal is to generate a COVID-19 classifier through transfer learning. Using transfer learning, an accuracy of 97% was achieved, compared to the initial accuracy of 32% when transfer learning was not used. === COVID-19 är för närvarande en pågående pandemi och det är en stor efterfrågan på tester, Vilket har lett till att resurserna på sjukhusen inte räcker till. I syfte att öka effektiviteten för COVID-19 tester kan datorsynbaserade system användas. En datorsynsbaserad klassificerare kräver en stor uppsättning träningsdata för att kunna skapa en noggrann och pålitlig modell, vilket för närvarande inte är tillgängligt eftersom sjukdomen endast har existerat i några månader. Diverse modeller används inom sjukvårdssektorn för klassificering av olika sjukdomar. Klassificering av lunginflammationsfall med hjälp av röntgenbilder är ett av de områden där modeller används. Modellerna har uppnått tillräckligt hög noggrannhet för att kunna användas på patienter [18]. Eftersom datamängden är begränsad för identifiering av COVID-19 utvärderar detta arbete nyttan med att använda överföringsinlärning i syfte att förbättra prestandan i COVID-19-detekteringsmodeller. Genom att använda Lunginflammations bilder som en bas för extraktion av attribut, är målet att generera en COVID-19 klassificerare genom överföringsinlärning. Med användning av denna metod uppnåddes en noggrannhet på 97 % jämfört med den ursprungliga noggrannheten på 32 % när överföringsinlärning inte användes.
|
|---|
