资源有限环境下使用X射线图像进行COVID-19与结核病检测的深度学习与机器学习高效混合模型
图像与视频处理
2021-08-23 v1 计算机视觉与模式识别
机器学习
摘要
一线临床医生需要快速评估有症状患者是否确实患有COVID-19。在可能无法获得生物技术检测的低收入资源环境中，此任务的难度加剧。此外，结核病(TB)在若干中低收入国家仍是主要健康问题，其常见症状包括发热、咳嗽与疲倦，与COVID-19相似。为辅助COVID-19检测，我们提出从胸部X射线图像提取深度特征(DF)（大多数医院可用的技术），随后使用不需要大量计算资源的机器学习方法分类。我们编制了一个五类X射线胸部图像数据集，包含均衡数量的COVID-19、病毒性肺炎、细菌性肺炎、TB与健康病例。我们比较了结合14个独立最先进预训练深度网络进行DF提取与传统机器学习分类器的流水线性能。由ResNet-50进行DF计算与子空间判别分类器集成构成的流水线在五类分类中表现最佳，达到91.6+2.6%（准确率+95%置信区间）的检测准确率。此外，同一流水线在更简单的三类与两类分类问题中分别达到98.6+1.4%与99.9+0.5%的准确率，聚焦于区分COVID-19、TB与健康病例；以及COVID-19与健康图像。该流水线计算高效，每张X射线图像提取DF仅需0.19秒，在CPU机器上以超2000张图像训练传统分类器仅需2分钟。结果表明我们的流水线在COVID-19检测中的潜在益处，尤其在资源有限环境中，且可在有限计算资源下运行。
引用
@article{arxiv.2007.08223,
title = {An Efficient Mixture of Deep and Machine Learning Models for COVID-19 and Tuberculosis Detection Using X-Ray Images in Resource Limited Settings},
author = {Ali H. Al-Timemy and Rami N. Khushaba and Zahraa M. Mosa and Javier Escudero},
journal= {arXiv preprint arXiv:2007.08223},
year = {2021}
}
备注
The final constructed dataset named COVID-19 five-class balanced dataset is available from: https://drive.google.com/drive/folders/1toMymyHTy0DR_fyE7hjO3LSBGWtVoPNf?usp=sharing