Die CXR-Scans werden als Eingabe in das U-Net-Framework eingespeist, was zur Erstellung von lungen-spezifischen segmentierten Masken führt. Dies wird durch die Integration einer spezialisierten biomedizinischen U-Net-Architektur erreicht, die eine dedizierte Segmentierungsphase in das vorgeschlagene Modell einbezieht. Die resultierenden segmentierten CXR-Scans werden zur Klassifizierung und Schweregradbeurteilung verwendet, wobei CXR-Bilder durch CNN klassifiziert werden und zur Extraktion von Lungensegmentierungsinformationen aus Röntgenbildern, die eine Infektion anzeigen, ein künstliches neuronales Netzwerk arbeitet. Die CNN-Modelle lassen die Funktionsortignoranz beiseite und konzentrieren sich nur auf erkannte Merkmale, weshalb Capsule-Netzwerke eingesetzt wurden, um räumliche Informationen und wichtige Attribute zu extrahieren und Informationsverlust während des Pooling-Betriebs zu verringern. Segmente Lungenbilder werden in drei Gruppen basierend auf verschiedenen Krankheiten geordnet, um eine genaue Klassifizierung zu erreichen und keine weiteren Maßnahmen zu ergreifen, wenn Personen entweder nicht betroffen oder nach der Klassifizierung der segmentierten CXR-Scans mit Lungenentzündung diagnostiziert wurden.
Im Falle von Personen mit COVID-19-Symptomen, die die segmentierten CXR-Bilder präsentieren, wird eine zusätzliche Untersuchung durchgeführt. Nach Abschluss der Segmentierung der Lungenbilder mit dem U-Net-Modell und einer Klassifizierungstechnik wird der Schweregrad der Infektion jedes betroffenen Individuums festgestellt. Insgesamt wird die Röntgenanalyse mithilfe von DL-Modellen wie ResNet50, VGG-16 und DenseNet201 vorgenommen, um den Brixia-Score genau zu schätzen. Zur Evaluation der Modellleistung werden Leistungsmaße verwendet, und die Methoden, die im vorgeschlagenen Rahmenwerk angewendet werden, werden ausführlich erklärt.
Die Capsule-Networks des Conv-Caps-Modells nutzen Schichten von Kapseln anstelle von traditionellen Faltungsschichten, um räumliche Beziehungen zu erfassen und eine detailliertere Merkmalsrepräsentation zu bieten, die für die Unterscheidung zwischen Klassen entscheidend ist. Capsule-Netzwerke verwenden einen dynamischen Routing-Mechanismus, der die Gewichte der Verbindungen zwischen Kapseln iterativ anpasst und die Robustheit des Netzwerks erhöht. Die U-Net-Architektur verwendet ein Encoder-Decoder-Struktur, um kontextabhängige Informationen auf mehreren Skalen zu erfassen. Verschiedene Maßnahmen wie Skip-Verbindungen, eine Hybrid-Verlustfunktion und eine Aufmerksamkeitsmechanismus werden integriert, um die Segmentierungsgenauigkeit zu verbessern und die Vorhersage der Schweregrade mithilfe von mehreren DL-Modellen zu ermöglichen. Die Vorstellung verschiedener Phasen kann visuell in Abbildungen dargestellt werden, um den Prozess zu verdeutlichen und die Schweregradbeurteilung effektiv durchzuführen.