Explainable convolutional networks for covid-19

Abstract

Avec la propagation rapide du virus COVID-19 dans le monde, il est nécessaire de développer des méthodes permettant un diagnostic rapide des infections en peu de temps. Depuis 2012, le deep learning, en particulier les réseaux de neurones convolutionnels, a obtenu des résultats impressionnants, notamment dans le domaine de la classification d'images, ce qui a poussé les chercheurs à exploiter la supériorité de ces réseaux. L'un des obstacles auxquels sont confrontés ces réseaux est la difficulté d'expliquer leurs résultats, ce qui les fait considérer comme une boîte noire. Heureusement, il existe un certain nombre de méthodes qui sont utilisées pour fournir une explication visuelle des modèles basés sur des réseaux de neurones convolutionnels afin d'augmenter la confiance dans leurs résultats. L'une des plus importantes de ces méthodes est la méthode Grad-CAM. Dans ce travail, nous combinons les réseaux convolutionnels avec les cartes des activations de classes basées sur le gradient (Grad CAM) pour diagnostiquer et interpréter le Covid19 sur les images radiologiques.