Real-time Covid-19 diagnosis on embedded IoT platforms

COVID-19 pozostaje poważnym globalnym wyzwaniem zdrowotnym, w którym szybkie, dokładne i łatwo dostępne narzędzia diagnostyczne odgrywają kluczową rolę w kontroli rozprzestrzeniania się wirusa. W niniejszym artykule przedstawiono nieinwazyjny, wbudowany system diagnostyczny do wykrywania COVID-19 na podstawie analizy obrazów tomografii komputerowej (CT) klatki piersiowej. Uzyskane obrazy CT są wstępnie przetwarzane w celu dostosowania ich do wymiarów wejściowych wymaganych przez cztery lekkie architektury konwolucyjnych sieci neuronowych (CNN) – ResNet-18, MobileNet, ShuffleNet oraz SqueezeNet – wybrane ze względu na ich wydajność oraz przydatność w systemach wbudowanych. Spośród nich SqueezeNet osiągnęła dokładność klasyfikacji na poziomie 99%, zapewniając wyniki porównywalne z pozostałymi modelami, przy jednoczesnym zachowaniu większej efektywności obliczeniowej, co czyni ją szczególnie odpowiednią do pracy w czasie rzeczywistym w środowiskach o ograniczonych zasobach. Zoptymalizowany model został wdrożony na platformie wbudowanej NVIDIA Jetson, umożliwiając wykrywanie COVID-19 w czasie rzeczywistym na urządzeniu brzegowym. Wyniki diagnostyczne są przesyłane na platformę chmurową ThingSpeak za pośrednictwem protokołu MQTT, umożliwiając ciągły, zdalny monitoring stanu zdrowia. Wyniki eksperymentalne potwierdzają wykonalność, wysoką dokładność oraz możliwość pracy w czasie rzeczywistym proponowanego systemu wbudowanego do wykrywania COVID-19 na podstawie obrazów tomografii komputerowej klatki piersiowej.

Słowa kluczowe:

wykrywanie COVID-19, uczenie głębokie, przetwarzanie brzegowe, systemy wbudowane, zdalny monitoring zdrowia IoT, analiza obrazów CT

Bibliografia

[1] Ahmed S. M. et al.: Optimized Deep Neural Networks for Edge Computing Devices Using Quantization and Pruning. IEEE Access 9, 2021, 119234–119245.

[2] Aslani S., Jacob J.: Utilisation of deep learning for COVID-19 diagnosis. Clinical Radiology 78(2), 2023, 150–157.

[3] Benmalek E., Elmhamdi J., Jilbab A.: Comparing CT scan and chest X-ray imaging for COVID-19 diagnosis. Biomedical Engineering Advances 1, 2021, 100003.

[4] Benmalek E. et al.: Automatic COVID-19 detection using machine learning and voice recording. Research on Biomedical Engineering 39(3), 2023, 597–612.

[5] Biglari A., Tang W.: A review of embedded machine learning based on hardware, application, and sensing scheme. Sensors 23(4), 2023, 2131.

[6] Chaddad A., Hassan L., Desrosiers C.: Deep CNN models for predicting COVID-19 in CT and x-ray images. Journal of medical imaging 8(S1), 2021, 014502–014502.

[7] Ezzat D., Hassanien A. E., Elnakib A.: Deep Learning Models for COVID-19 Pneumonia Detection on Raspberry Pi Platform. Computers in Biology and Medicine 142, 2022, 105244.

[8] He K. et al.: Deep residual learning for image recognition. IEEE conference on computer vision and pattern recognition. 2016, 770–778 [https://doi.org/10.1109/CVPR.2016.90].

[9] Howard A. G. et al.: MobileNets: Efficient convolutional neural networks for mobile vision applications. 2017. arXiv preprint arXiv:1704.04861 [https://arxiv.org/abs/1704.04861].

[10] Iandola F. N. et al.: SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size. 2016. arXiv preprint arXiv:1602.07360 [https://arxiv.org/abs/1602.07360].

[11] Lou L., Liang H., Wang Z.: Deep Learning-Based COVID-19 Diagnosis and Implementation in Embedded Edge-Computing Device. Diagnostics 13(7), 2023, 1329.

[12] Nechi A. et al.: FPGA-Based Deep Learning Inference Accelerator for COVID-19 CT Classification. IEEE Transactions on Biomedical Circuits and Systems 17(3), 2023, 412–422.

[13] Ning W. et al.: iCTCF: an integrative resource of chest computed tomography images and clinical features of patients with COVID-19 pneumonia. 2020.

[14] Pham T. D.: A comprehensive study on classification of COVID-19 on computed tomography with pretrained convolutional neural networks. Scientific reports 10(1), 2020, 16942.

[15] Shah V. et al.: Diagnosis of COVID-19 using CT scan images and deep learning techniques. Emergency radiology 28, 2021, 497–505.

[16] Sharma N. et al.: Coswara: A database of breathing, cough, and voice sounds for COVID-19 diagnosis. Journal of the Acoustical Society of America, 149(1), 2023, 548–563.

[17] Shorten C., Khoshgoftaar T. M., Furht B.: Deep Learning applications for COVID-19. Journal of big Data 8(1), 2021, 1–54.

[18] Ulutaş H.: Application of a Novel Deep Learning Technique Using CT Images to Implement the COVID-19 Automatic Diagnosis System on Embedded Systems. Alexandria Engineering Journal 70, 2023, 120–130.

[19] World Health Organization: COVID-19 dashboard. 2024 [https://covid19.who.int/].

[20] Wu X. et al.: COVID-AL: The diagnosis of COVID-19 with deep active learning. Medical Image Analysis 68, 2021, 101913.

[21] Zhang X. et al.: ShuffleNet: An extremely efficient convolutional neural network for mobile devices. IEEE conference on computer vision and pattern recognition. 2018. 6848–6856 [https://doi.org/10.1109/CVPR.2018.00716].

[22] Zhou Y., Chen L., Zhao J.: Energy-Efficient FPGA Implementation of Quantized ResNet for Medical Image Classification. IEEE Access 10, 2022, 68915–68924.

Diagnostyka Covid-19 w czasie rzeczywistym na wbudowanych platformach IoT. (2025). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 15(4), 39-45. https://doi.org/10.35784/iapgos.7616

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 15 Nr 4 (2025)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja