基于 2D 与 3D CNN 融合的 COVID-19 严重程度预测方法（基于 3D CT 扫描）
图像与视频处理
2023-03-16 v1 计算机视觉与模式识别
摘要
自 2019 年底 COVID-19 出现以来，其已成为人工智能（AI）界的一个活跃研究课题。其中最有意义的 AI 课题之一是对医学影像的 COVID-19 分析。CT 扫描成像是关于该疾病信息量最大的工具。本工作是第 3 届 COV19D COVID-19 严重程度预测竞赛的一部分。为应对该竞赛前一版本中所展示的验证集与测试集结果之间的巨大差距，我们提出结合 2D 与 3D CNN 的预测结果。对于 2D CNN 方法，我们提出 2B-InceptResnet 架构，其由分别针对输入 CT 扫描所有切片的分割肺部和感染区域两条路径组成。每条路径由 ConvLayer 和在 ImageNet 上预训练的 Inception-ResNet 模型构成。对于 3D CNN 方法，我们提出 hybrid-DeCoVNet 架构，其由四个模块组成：Stem、四个 3D-ResNet 层、Classification Head 和 Decision layer。我们提出的方法在第 3 届 COV19D COVID-19 严重程度预测竞赛的验证数据上比基线方法高出 36%。
引用
@article{arxiv.2303.08740,
title = {2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans},
author = {Fares Bougourzi and Fadi Dornaika and Amir Nakib and Cosimo Distante and Abdelmalik Taleb-Ahmed},
journal= {arXiv preprint arXiv:2303.08740},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.15431