CCBlock：利用深度学习通过 X 射线图像自动诊断 COVID-19 的有效方法
图像与视频处理
2020-11-10 v1 计算机视觉与模式识别
摘要
目的：COVID-19 大流行接连困扰各国，已极大影响了世界人口的健康与福祉。由于每日新增病例数不断增加、病毒快速传播以及 PCR 分析结果延迟，该疾病可能继续更广泛地持续存在。因此，有必要考虑开发辅助方法来检测和诊断 COVID-19，以根除新型冠状病毒在人群中的传播。基于卷积神经网络（CNNs），自动检测系统已显示出通过放射摄影诊断 COVID-19 患者的良好结果；因此，它们被引入作为 COVID-19 诊断的可行方案。材料与方法：基于用卷积 COVID 模块（CCBlock）增强的经典视觉几何组（VGG）网络，本研究提出了一种高效筛查模型，通过放射摄影诊断并将 COVID-19 患者与肺炎患者及健康人区分开。模型测试数据集包含公开平台上可用的 1,828 张 X 射线图像。310 张为确诊 COVID-19 病例，864 张为肺炎病例，654 张为健康人。结果：根据测试结果，用放射摄影增强经典 VGG 网络在二分类中提供了最高的诊断性能和 98.52% 的总体准确率，在三分类中提供了 95.34% 的准确率。结论：根据结果，使用增强的 VGG 深度神经网络可帮助放射科医生通过放射摄影自动诊断 COVID-19。
引用
@article{arxiv.2009.10141,
title = {CCBlock: An Effective Use of Deep Learning for Automatic Diagnosis of COVID-19 Using X-Ray Images},
author = {Ali Al-Bawi and Karrar Ali Al-Kaabi and Mohammed Jeryo and Ahmad Al-Fatlawi},
journal= {arXiv preprint arXiv:2009.10141},
year = {2020}
}
备注
12 pages, 5 figures