用于卷积神经网络改善 COVID-19 诊断的胸片相位特征
图像与视频处理
2021-09-07 v2 计算机视觉与模式识别
摘要
近来，2019 新型冠状病毒病（COVID-19）大流行的爆发严重威胁了人类健康与生命。由于检测试剂盒供应有限，对辅助诊断方法的需求增加。近期研究表明，COVID-19 患者的放射影像，如 CT 与 X 光，包含关于 COVID-19 病毒的显著信息，并可用作替代诊断方法。胸部 X 光（CXR）因其更快的成像时间、广泛可用性、低成本与便携性而备受关注，且极具前景。需要具有高准确度与鲁棒性的计算方法，以实现患者的快速分诊并辅助放射科医生解读所采集数据。在本研究中，我们设计了一种新颖的多特征卷积神经网络（CNN）架构，用于从 CXR 图像中对 COVID-19 进行多类改善分类。CXR 图像使用基于局部相位的图像增强方法进行增强。增强后的图像与原始 CXR 数据一起作为我们提出的 CNN 架构的输入。通过消融实验，我们展示了增强图像在提高诊断准确度方面的有效性。我们提供了在两个数据集上的定量评估以及供视觉检查的定性结果。定量评估在包含 8,851 张正常（健康）、6,045 张肺炎与 3,323 张 Covid-19 的 CXR 扫描数据上进行。在数据集 1 中，我们的模型对三类分类取得 95.57\% 平均准确度，对 COVID-19 病例的精确率、召回率与 F1 分数均为 99\%。对于数据集 2，我们取得了 94.44\% 平均准确度，以及对 COVID-19 检测的 95\% 精确率、召回率与 F1 分数。我们提出的多特征引导 CNN 相比单特征 CNN 取得了改善结果，证明了基于局部相位的 CXR 图像增强的重要性（https://github.com/endiqq/Fus-CNNs_COVID-19）。
引用
@article{arxiv.2011.03585,
title = {Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network},
author = {Xiao Qi and Lloyd Brown and David J. Foran and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2011.03585},
year = {2021}
}
备注
16 pages, 9 figures