基于放射组学增强的深度学习模型用于胸部 X 光图像的 COVID-19 与非 COVID-19 肺炎分类
图像与视频处理
2022-10-12 v2 医学物理
摘要
为开发一种集成放射组学分析、利用胸部 X 光图像提升 COVID-19 与非 COVID-19 肺炎检测性能的深度学习模型，我们基于预训练的 VGG-16 架构训练了两个深度学习模型：第 1 个模型中，X 光图像为唯一输入；第 2 个模型中，X 光图像与由第 1 个模型显著性图分析筛选出的 2 个放射组学特征图（RFM）叠加作为输入。两个模型均使用 812 张胸部 X 光图像构建，包含 262/288/262 例 COVID-19/非 COVID-19 肺炎/健康病例，其中 649/163 例划分为训练-验证/独立测试集。在第 1 个仅以 X 光为输入的模型中，COVID-19 与非 COVID-19 肺炎检测的 1) 灵敏度、2) 特异度、3) 准确率及 4) ROC 曲线下面积分别为 1) 0.900.07 与 0.780.09、2) 0.940.04 与 0.940.04、3) 0.930.03 与 0.890.03、4) 0.960.02 与 0.920.04。在第 2 个模型中，筛选出 Entropy 与 Short-Run-Emphasize 两个 RFM，其与第 1 个模型显著性图的互相关最高。相应结果显示 COVID-19 与非 COVID-19 肺炎检测显著改善（p<0.05）：1) 0.950.04 与 0.850.04、2) 0.970.02 与 0.960.02、3) 0.970.02 与 0.930.02、4) 0.990.01 与 0.970.02。变异减小表明第 2 个模型设计具有更优的鲁棒性。
引用
@article{arxiv.2107.08667,
title = {A Radiomics-Boosted Deep-Learning Model for COVID-19 and Non-COVID-19 Pneumonia Classification Using Chest X-ray Image},
author = {Zongsheng Hu and Zhenyu Yang and Kyle J. Lafata and Fang-Fang Yin and Chunhao Wang},
journal= {arXiv preprint arXiv:2107.08667},
year = {2022}
}