基于胸部 CT 扫描的 3D 深度学习模型自动设计与基准测试用于 COVID-19 检测
图像与视频处理
2021-02-15 v2 计算机视觉与模式识别
机器学习
摘要
COVID-19 大流行已在全球蔓延数月。因其传染性和高致病性严重威胁人们生命，准确快速地检测 COVID-19 感染至关重要。许多近期研究表明，基于深度学习（DL）的方案可借助胸部 CT 扫描帮助检测 COVID-19。然而，大多数现有工作聚焦于 2D 数据集，可能因真实 CT 扫描为 3D 图像而导致模型质量低下。此外，所报告的结果在不同数据集上跨度广泛，缺乏较公平的比较。本文中，我们首先使用三种最先进的 3D 模型（ResNet3D101、DenseNet3D121 和 MC3_18）在三个公开可用胸部 CT 扫描数据集上建立基线性能。随后我们提出一种可微分神经架构搜索（DNAS）框架，利用 Gumbel Softmax 技术自动搜索用于 3D 胸部 CT 扫描分类的 3D DL 模型，以提升搜索效率。我们进一步在模型中采用类激活映射（CAM）技术，为结果提供可解释性。实验结果表明，我们自动搜索的模型（CovidNet3D）在三个数据集上以数十倍更小的模型规模和更高准确率优于基线人工设计模型。此外，结果也验证了 CAM 可良好应用于 CovidNet3D 的 COVID-19 数据集，为医学诊断提供可解释性。
引用
@article{arxiv.2101.05442,
title = {Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans},
author = {Xin He and Shihao Wang and Xiaowen Chu and Shaohuai Shi and Jiangping Tang and Xin Liu and Chenggang Yan and Jiyong Zhang and Guiguang Ding},
journal= {arXiv preprint arXiv:2101.05442},
year = {2021}
}
备注
Accepted by AAAI 2021, COVID-19, Neural Architecture Search, AutoML