一种基于不确定性感知迁移学习的 COVID-19 诊断框架
图像与视频处理
2021-10-01 v1 计算机视觉与模式识别
机器学习
摘要
对 COVID-19 感染患者的早期可靠检测对于预防和限制其暴发至关重要。许多国家无法提供用于 COVID-19 检测的 PCR 检测，且人们对其可靠性和性能存在切实担忧。受这些缺陷的推动，本文提出了一种利用医学影像进行 COVID-19 检测的深度学习不确定性感知迁移学习框架。首先应用四种流行的卷积神经网络（CNN）——包括 VGG16、ResNet50、DenseNet121 和 InceptionResNetV2——从胸部 X 光片和计算机断层扫描（CT）图像中提取深度特征。随后通过不同的机器学习和统计建模技术处理所提取特征以识别 COVID-19 病例。我们还计算并报告了分类结果的认知不确定性，以识别训练模型对其决策不确信的区域（分布外问题）。针对 X 光片和 CT 图像数据集的综合仿真结果表明，线性支持向量机和神经网络模型在准确率、灵敏度、特异性和 AUC 方面取得了最佳结果。还发现 CT 图像相比 X 光片具有更高的预测不确定性估计。
引用
@article{arxiv.2007.14846,
title = {An Uncertainty-aware Transfer Learning-based Framework for Covid-19 Diagnosis},
author = {Afshar Shamsi Jokandan and Hamzeh Asgharnezhad and Shirin Shamsi Jokandan and Abbas Khosravi and Parham M. Kebria and Darius Nahavandi and Saeid Nahavandi and Dipti Srinivasan},
journal= {arXiv preprint arXiv:2007.14846},
year = {2021}
}
备注
9 pages, 9 figures, 3 tables