基于Transformer的CT新冠检测中的自适应GLCM采样
图像与视频处理
2022-07-05 v1 计算机视觉与模式识别
摘要
过去两年，世界饱受COVID-19（SARS-CoV-2）之苦，对人们的日常生活造成巨大破坏与改变。因此，利用深度学习对胸部计算机断层扫描（CT）进行自动化COVID-19检测颇具前景，可助力高效正确诊断。近来，提出了基于Transformer的CT新冠检测方法以利用CT体数据中的3D信息。然而，其用于选片的采样方法并非最优。为充分利用CT体数据中的丰富3D信息，我们提出了一种基于Transformer的COVID-19检测方法，采用基于灰度共生矩阵（GLCM）的新颖数据整理与自适应采样方法。为训练由CNN层后接Transformer架构组成的模型，我们首先基于肺分割执行数据整理，并利用CT体数据中每片的GLCM值熵来选取对预测重要的切片。实验结果表明，所提方法在无需对模型做复杂修改的情况下大幅提升了检测性能。
引用
@article{arxiv.2207.01520,
title = {Adaptive GLCM sampling for transformer-based COVID-19 detection on CT},
author = {Okchul Jung and Dong Un Kang and Gwanghyun Kim and Se Young Chun},
journal= {arXiv preprint arXiv:2207.01520},
year = {2022}
}
备注
6 pages