Resumo: Este trabalho tem como objetivo apresentar e analisar comparativamente os resultados obtidos por um conjunto de modelos de redes neurais na tentativa de detectar infecção por COVID-19 em imagens de raios-X. As imagens foram divididas em três categorias: normal, pneumonia e covid. Para a realização dos experimentos, utilizou-se a técnica de transferência de aprendizagem junto a oito redes convolucionais profundas pré-treinadas: SqueezeNet, DenseNet, ResNet, AlexNet, VGG, GoogleNet, ShuffleNet e MobileNet. Optou-se por utilizar estas redes por serem amplamente empregadas e citadas em trabalhos acadêmicos recentes de visão computacional, detecção e classificação de imagens. Como resultado, observou-se que a rede DenseNet obteve a melhor precisão, com 98,17\%, com o uso do otimizador ADAM na abordagem multiclasse. A abordagem binária, por sua vez, obteve o melhor resultado de acurácia, de 99,98\%, nas redes VGG, ResNet e MobileNet. São apresentados mapas de calor para que se possam avaliar os motivos subjacentes aos diferentes desempenhos Ver menos

Abstract: This work has the objective of presenting and analyzing the results obtained with a representative group of neural models trained to detect COVID-19 infection from lung X-ray images. The images were divided into three categories: normal, pneumoni and covid. The experiments were performed using transfer learning over eight pre-trained deep convolutional networks: SqueezeNet, DenseNet, ResNet, AlexNet, VGG, GoogleNet, ShuffleNet and MobileNet. These networks were chosen in view of their widespread use in the literature on computer vision and image classification. The DenseNet obtained the best precision: 98.17\% when the ADAM optimizer is employed within a multiclass formulation. The binary approach, on the other hand, led to the best accuracy: 99.98\% for the VGG, ResNet and MobileNet. Heat maps are presented to allow the assessment of the reasons underlying the verified performances Ver menos