Coronavirus disease (COVID-19) is a pandemic disease, which has already caused thousands of causalities and infected several millions of people worldwide. Any technological tool enabling rapid screening of the COVID-19 infection with high accuracy can be crucially helpful to the healthcare professionals. The main clinical tool currently in use for the diagnosis of COVID-19 is the Reverse transcription polymerase chain reaction (RT-PCR), which is expensive, less-sensitive and requires specialized medical personnel. X-ray imaging is an easily accessible tool that can be an excellent alternative in the COVID-19 diagnosis. This research was taken to investigate the utility of artificial intelligence (AI) in the rapid and accurate detection of COVID-19 from chest X-ray images. The aim of this paper is to propose a robust technique for automatic detection of COVID-19 pneumonia from digital chest X-ray images applying pre-trained deep-learning algorithms while maximizing the detection accuracy. A public database was created by the authors combining several public databases and also by collecting images from recently published articles. The database contains a mixture of 423 COVID-19, 1485 viral pneumonia, and 1579 normal chest X-ray images. Transfer learning technique was used with the help of image augmentation to train and validate several pre-trained deep Convolutional Neural Networks (CNNs). The networks were trained to classify two different schemes: i) normal and COVID-19 pneumonia; ii) normal, viral and COVID-19 pneumonia with and without image augmentation. The classification accuracy, precision, sensitivity, and specificity for both the schemes were 99.7%, 99.7%, 99.7% and 99.55% and 97.9%, 97.95%, 97.9%, and 98.8%, respectively. The high accuracy of this computer-aided diagnostic tool can significantly improve the speed and accuracy of COVID-19 diagnosis. This would be extremely useful in this pandemic where disease burden and need for preventive measures are at odds with available resources.

Computer-aided diagnosis for the reliable and fast detection of coronavirus disease (COVID-19) has become a necessity to prevent the spread of the virus during the pandemic to ease the burden on the healthcare system. Chest X-ray (CXR) imaging has several advantages over other imaging and detection techniques. Numerous works have been reported on COVID-19 detection from a smaller set of original X-ray images. However, the effect of image enhancement and lung segmentation of a large dataset in COVID-19 detection was not reported in the literature. We have compiled a large X-ray dataset (COVQU) consisting of 18,479 CXR images with 8851 normal, 6012 non-COVID lung infections, and 3616 COVID-19 CXR images and their corresponding ground truth lung masks. To the best of our knowledge, this is the largest public COVID positive database and the lung masks. Five different image enhancement techniques: histogram equalization (HE), contrast limited adaptive histogram equalization (CLAHE), image complement, gamma correction, and balance contrast enhancement technique (BCET) were used to investigate the effect of image enhancement techniques on COVID-19 detection. A novel U-Net model was proposed and compared with the standard U-Net model for lung segmentation. Six different pre-trained Convolutional Neural Networks (CNNs) (ResNet18, ResNet50, ResNet101, InceptionV3, DenseNet201, and ChexNet) and a shallow CNN model were investigated on the plain and segmented lung CXR images. The novel U-Net model showed an accuracy, Intersection over Union (IoU), and Dice coefficient of 98.63%, 94.3%, and 96.94%, respectively for lung segmentation. The gamma correction-based enhancement technique outperforms other techniques in detecting COVID-19 from the plain and the segmented lung CXR images. Classification performance from plain CXR images is slightly better than the segmented lung CXR images; however, the reliability of network performance is significantly improved for the segmented lung images, which was observed using the visualization technique. The accuracy, precision, sensitivity, F1-score, and specificity were 95.11%, 94.55%, 94.56%, 94.53%, and 95.59% respectively for the segmented lung images. The proposed approach with very reliable and comparable performance will boost the fast and robust COVID-19 detection using chest X-ray images.

Objective To evaluate the association between arsenic exposure and mortality from cardiovascular disease and to assess whether cigarette smoking influences the association. Design Prospective cohort study with arsenic exposure measured in drinking water from wells and urine. Setting General population in Araihazar, Bangladesh. Participants 11 746 men and women who provided urine samples in 2000 and were followed up for an average of 6.6 years. Main outcome measure Death from cardiovascular disease. Results 198 people died from diseases of circulatory system, accounting for 43% of total mortality in the population. The mortality rate for cardiovascular disease was 214.3 per 100 000 person years in people drinking water containing <12.0 µg/L arsenic, compared with 271.1 per 100 000 person years in people drinking water with ≥12.0 µg/L arsenic. There was a dose-response relation between exposure to arsenic in well water assessed at baseline and mortality from ischaemic heart disease and other heart disease; the hazard ratios in increasing quarters of arsenic concentration in well water (0.1-12.0, 12.1-62.0, 62.1-148.0, and 148.1-864.0 µg/L) were 1.00 (reference), 1.22 (0.65 to 2.32), 1.35 (0.71 to 2.57), and 1.92 (1.07 to 3.43) (P=0.0019 for trend), respectively, after adjustment for potential confounders including age, sex, smoking status, educational attainment, body mass index (BMI), and changes in urinary arsenic concentration since baseline. Similar associations were observed when baseline total urinary arsenic was used as the exposure variable and for mortality from ischaemic heart disease specifically. The data indicate a significant synergistic interaction between arsenic exposure and cigarette smoking in mortality from ischaemic heart disease and other heart disease. In particular, the hazard ratio for the joint effect of a moderate level of arsenic exposure (middle third of well arsenic concentration 25.3-114.0 µg/L, mean 63.5 µg/L) and cigarette smoking on mortality from heart disease was greater than the sum of the hazard ratios associated with their individual effect (relative excess risk for interaction 1.56, 0.05 to 3.14; P=0.010). Conclusions Exposure to arsenic in drinking water is adversely associated with mortality from heart disease, especially among smokers.

Tuberculosis (TB) is a chronic lung disease that occurs due to bacterial infection and is one of the top 10 leading causes of death. Accurate and early detection of TB is very important, otherwise, it could be life-threatening. In this work, we have detected TB reliably from the chest X-ray images using image pre-processing, data augmentation, image segmentation, and deep-learning classification techniques. Several public databases were used to create a database of 3500 TB infected and 3500 normal chest X-ray images for this study. Nine different deep CNNs (ResNet18, ResNet50, ResNet101, ChexNet, InceptionV3, Vgg19, DenseNet201, SqueezeNet, and MobileNet) were used for transfer learning from their pre-trained initial weights and were trained, validated and tested for classifying TB and non-TB normal cases. Three different experiments were carried out in this work: segmentation of X-ray images using two different U-net models, classification using X-ray images and that using segmented lung images. The accuracy, precision, sensitivity, F1-score and specificity of best performing model, ChexNet in the detection of tuberculosis using X-ray images were 96.47%, 96.62%, 96.47%, 96.47%, and 96.51% respectively. However, classification using segmented lung images outperformed that with whole X-ray images; the accuracy, precision, sensitivity, F1-score and specificity of DenseNet201 were 98.6%, 98.57%, 98.56%, 98.56%, and 98.54% respectively for the segmented lung images. The paper also used a visualization technique to confirm that CNN learns dominantly from the segmented lung regions that resulted in higher detection accuracy. The proposed method with state-of-the-art performance can be useful in the computer-aided faster diagnosis of tuberculosis.

A compact microstrip line-fed ultrawideband (UWB) tapered-shape slot antenna is presented. The proposed antenna comprises a tapered-shape slot and rectangular tuning stub. The antenna is fabricated onto an inexpensive FR4 substrate with an overall dimension of 22 × 24 mm 2 . The experiment shows that the proposed antenna achieves good impedance matching constant gain, stable radiation patterns over an operating bandwidth of 3-11.2 GHz (115.5%) that covers the entire UWB. The nearly stable radiation pattern with a maximum gain of 5.4 dBi makes the proposed antenna suitable for being used in UWB communication applications.

Plants are a major source of food for the world population. Plant diseases contribute to production loss, which can be tackled with continuous monitoring. Manual plant disease monitoring is both laborious and error-prone. Early detection of plant diseases using computer vision and artificial intelligence (AI) can help to reduce the adverse effects of diseases and also overcome the shortcomings of continuous human monitoring. In this work, we propose the use of a deep learning architecture based on a recent convolutional neural network called EfficientNet on 18,161 plain and segmented tomato leaf images to classify tomato diseases. The performance of two segmentation models i.e., U-net and Modified U-net, for the segmentation of leaves is reported. The comparative performance of the models for binary classification (healthy and unhealthy leaves), six-class classification (healthy and various groups of diseased leaves), and ten-class classification (healthy and various types of unhealthy leaves) are also reported. The modified U-net segmentation model showed accuracy, IoU, and Dice score of 98.66%, 98.5%, and 98.73%, respectively, for the segmentation of leaf images. EfficientNet-B7 showed superior performance for the binary classification and six-class classification using segmented images with an accuracy of 99.95% and 99.12%, respectively. Finally, EfficientNet-B4 achieved an accuracy of 99.89% for ten-class classification using segmented images. It can be concluded that all the architectures performed better in classifying the diseases when trained with deeper networks on segmented images. The performance of each of the experimental studies reported in this work outperforms the existing literature.

Traditional waste management system operates based on daily schedule which is highly inefficient and costly. The existing recycle bin has also proved its ineffectiveness in the public as people do not recycle their waste properly. With the development of Internet of Things (IoT) and Artificial Intelligence (AI), the traditional waste management system can be replaced with smart sensors embedded into the system to perform real time monitoring and allow for better waste management. The aim of this research is to develop a smart waste management system using LoRa communication protocol and TensorFlow based deep learning model. LoRa sends the sensor data and Tensorflow performs real time object detection and classification. The bin consists of several compartments to segregate the waste including metal, plastic, paper, and general waste compartment which are controlled by the servo motors. Object detection and waste classification is done in TensorFlow framework with pre-trained object detection model. This object detection model is trained with images of waste to generate a frozen inference graph used for object detection which is done through a camera connected to the Raspberry Pi 3 Model B+ as the main processing unit. Ultrasonic sensor is embedded into each waste compartment to monitor the filling level of the waste. GPS module is integrated to monitor the location and real time of the bin. LoRa communication protocol is used to transmit data about the location, real time and filling level of the bin. RFID module is embedded for the purpose of waste management personnel identification.

In recent years, Microwave Imaging (MWI) has offered an effective solution in medical applications, especially in detecting abnormal body tissues in the human brain. Among the popular detection methods currently being used in hospitals are Magnetic Resonance Imaging (MRI) and Computed Tomography (CT) scans. But the constraints faced by this method include the high cost of equipment and its large size and static nature. In this article, the antipodal Vivaldi antenna for the microwave brain stroke imaging system is designed and presented. Nine antipodal Vivaldi antennas were proposed and designed using Computer Simulation Technology (CST) software operating from 2.06 GHz to 2.61 GHz. A Radio Frequency (RF) switch was used to enable the antenna sequentially received the backscattered signal from the head phantom. Then, MATLAB software was used to interface between the Python algorithm and the Vector Network Analyzer (VNA) for the purpose of data collection. The Python algorithm was able to control the rotation of the platform, which rotated in 50 positions. The fabricated antennas are based on a Rogers RO4350B substrate and show good agreement between the measured result and simulated result. The designed antennas were able to achieve 86.92% average efficiency, 2.45 dBi gain and stable radiation directivity. Finally, from the variation of the color in color plot, a target structure was successfully detected. Â