基于深度特征与手工特征融合的 COVID-19 X 射线图像分类
图像与视频处理
2021-01-22 v2 计算机视觉与模式识别
机器学习
摘要
2019 冠状病毒病（COVID-19）表明了针对突发性病毒性疾病需要准确且快速的诊断方法。在 COVID-19 出现后不久，医疗从业者利用患者肺部的 X 射线和计算机断层扫描（CT）图像来检测 COVID-19。机器学习方法能够提高 X 射线和 CT 图像中 COVID-19 的识别准确率，提供近实时结果，同时减轻医疗从业者的负担。在本工作中，我们展示了一种支持向量机（SVM）分类器的有效性，该分类器使用从胸部 X 射线扫描中提取的深度卷积特征与手工特征的融合特征进行训练。我们利用这一特征组合来区分健康者、普通肺炎患者和 COVID-19 患者。我们将融合特征方法的性能与标准卷积神经网络（CNN）以及使用手工特征训练的 SVM 进行比较。我们发现，与单独应用卷积特征和手工特征相比，在我们新颖的框架中组合这些特征提升了分类任务的性能。具体而言，我们的融合方法在分类任务中达到了 0.988 的准确率，而手工特征结合 SVM 和 CNN 的准确率分别为 0.963 和 0.983。
引用
@article{arxiv.2101.07866,
title = {Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features},
author = {Weihan Zhang and Bryan Pogorelsky and Mark Loveland and Trevor Wolf},
journal= {arXiv preprint arXiv:2101.07866},
year = {2021}
}
备注
5 pages, 5 figures