Improvement the Performance of the Chest X-ray Image Classification with Convolutional Neural Network Model by Using Image Augmentations Technique for COVID-19 Diagnosis

Abstract

การจำแนกภาพเป็นวิธีหนึ่งที่น่าสนใจในการประมวลผลภาพ โครงข่ายประสาทเทียมแบบสังวัตนาการ (Convolutional Neural Network; CNN) เป็นลอการิทึมที่ถูกนำมาใช้อย่างแพร่หลายสำหรับจำแนกภาพ อย่างไรก็ตาม ข้อจำกัดของ CNN คือประสิทธิภาพการจำแนกรูปภาพขึ้นอยู่กับจำนวนรูปภาพที่เข้าสู่กระบวนการฝึกสอน งานวิจัยมีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพการจำแนกภาพเอกซเรย์ทรวงอกด้วย CNN สำหรับวินิจฉัยโรคโควิด-19 โดยใช้เทคนิคการเพิ่มภาพ โดยมีการเปรียบเทียบเทคนิคการเพิ่มภาพในแต่ละวิธีในการเพิ่มความถูกต้องให้กับกระบวนการฝึกสอนของ CNN ผลของการวิจัยแสดงให้เห็นว่า วิธีการหมุนภาพ (Rotation) ให้ประสิทธิภาพการฝึกสอนที่ 99.67% ซึ่งมีประสิทธิภาพในการจำแนกภาพเอกซเรย์ทรวงอกด้วย CNN สำหรับวินิจฉัยโรคโควิด-19 มากกว่างานวิจัยก่อนหน้านี้

Image classification is one interesting to the image processing. Convolutional Neural Network (CNN) is
a widely used algorithm for image classification. However, the number of images is the challenge of CNN
that the image classification performance depends on the number of images entering into the training
process. This paper aims to improve the efficiency of the chest X-ray image classification by CNN for
COVID-19 diagnosis using image augmentations techniques. We can illustrate the comparative in each
method of image augmentations techniques to increase the accuracy of the training process of CNN. The
results illustrate that the rotation technique provides the training efficiency of 99.67%, which is effective
in chest X-ray image classification with CNN for COVID-19 diagnosis more than previous work.