基于机器学习的X射线与CT图像中冠状病毒病(COVID-19)自动检测
图像与视频处理
2020-04-23 v1 计算机视觉与模式识别
摘要
新发现的冠状病毒肺炎,随后被称为COVID-19,具有高度传染性和致病性,目前尚无临床批准的抗病毒药物或疫苗可用于治疗。COVID-19最常见的症状是干咳、咽痛和发热。症状可进展为严重肺炎,伴有脓毒性休克、肺水肿、急性呼吸窘迫综合征和多发器官衰竭等严重并发症。虽然加拿大目前不推荐将医学影像用于COVID-19的初步诊断,但计算机辅助诊断系统可协助早期检测COVID-19异常并帮助监测疾病进展,潜在降低死亡率。在本研究中,我们比较了用于COVID-19自动分类的流行基于深度学习特征提取框架。为获得最准确的特征(学习的关键组成部分),在众多深度卷积神经网络中选择了MobileNet、DenseNet、Xception、ResNet、InceptionV3、InceptionResNetV2、VGGNet、NASNet。随后将提取的特征输入若干机器学习分类器,将受试者分类为COVID-19病例或对照。该方法避免了特定任务的数据预处理方法,以支持对未见数据的更好泛化能力。所提方法的性能在公开可用的胸部X射线和CT图像COVID-19数据集上进行了验证。DenseNet121特征提取器结合Bagging树分类器取得了最佳性能,分类准确率达99%。第二佳学习器是ResNet50特征提取器经LightGBM训练的混合模型,准确率为98%。
引用
@article{arxiv.2004.10641,
title = {Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach},
author = {Sara Hosseinzadeh Kassani and Peyman Hosseinzadeh Kassasni and Michal J. Wesolowski and Kevin A. Schneider and Ralph Deters},
journal= {arXiv preprint arXiv:2004.10641},
year = {2020}
}