自适应特征选择引导的深度森林用于胸部 CT 的 COVID-19 分类
图像与视频处理
2020-05-08 v1 计算机视觉与模式识别
机器学习
摘要
胸部计算机断层扫描（CT）成为辅助诊断冠状病毒病-19（COVID-19）的有效工具。由于 COVID-19 在全球的爆发，基于 CT 图像使用计算机辅助诊断技术进行 COVID-19 分类可大幅减轻临床医生的负担。在本文中，我们提出一种自适应特征选择引导的深度森林（AFS-DF）用于基于胸部 CT 图像的 COVID-19 分类。具体地，我们首先从 CT 图像中提取位置特定特征。然后，为以相对小规模数据捕获这些特征的高层表示，我们利用深度森林模型学习特征的高层表示。此外，我们提出一种基于训练好的深度森林模型的特征选择方法以降低特征冗余，其中特征选择可与 COVID-19 分类模型自适应结合。我们在包含 1495 名 COVID-19 患者和 1027 名社区获得性肺炎（CAP）患者的 COVID-19 数据集上评估了所提 AFS-DF。我们的方法取得的准确率（ACC）、灵敏度（SEN）、特异度（SPE）和 AUC 分别为 91.79%、93.05%、89.95% 和 96.35%。在 COVID-19 数据集上的实验结果表明，与 4 种广泛使用的机器学习方法相比，所提 AFS-DF 在 COVID-19 与 CAP 分类中取得了优越性能。
引用
@article{arxiv.2005.03264,
title = {Adaptive Feature Selection Guided Deep Forest for COVID-19 Classification with Chest CT},
author = {Liang Sun and Zhanhao Mo and Fuhua Yan and Liming Xia and Fei Shan and Zhongxiang Ding and Wei Shao and Feng Shi and Huan Yuan and Huiting Jiang and Dijia Wu and Ying Wei and Yaozong Gao and Wanchun Gao and He Sui and Daoqiang Zhang and Dinggang Shen},
journal= {arXiv preprint arXiv:2005.03264},
year = {2020}
}