结合卷积神经网络与自编码器预测 COVID-19 患者的存活机会
计算机视觉与模式识别
2021-09-01 v2 图像与视频处理
摘要
COVID-19 已在全球造成大量死亡。该病毒的诊断自动化备受期待。卷积神经网络（CNNs）在图像数据集上展现了卓越的分类性能。迄今为止，基于 CNNs 和临床信息的 COVID 计算机辅助诊断系统似乎尚未被分析或探索。我们提出一种名为 CNN-AE 的新方法，利用经临床信息训练的 CNN 预测 COVID-19 患者的存活机会。值得注意的是，与收集血压、肝病等临床数据所需的资源相比，准备 CT 图像所需的资源昂贵且有限。我们使用收集到的公开可用临床数据集评估了我们的方法。仔细分析了数据集属性以提取重要特征并计算特征相关性。提出了一种基于自编码器（AEs）的数据增强过程来平衡数据集。实验结果显示，CNN-AE 的平均准确率（96.05%）高于 CNN（92.49%）。为证明我们增强方法的通用性，我们在我们的数据集上（有和无数据增强）训练了一些现有的死亡风险预测方法并比较了它们的性能。我们还使用另一个数据集进一步验证了通用性。为表明临床数据可用于 COVID-19 存活机会预测，将 CNN-AE 与多个基于 CT 图像调优的预训练深度模型进行了比较。
引用
@article{arxiv.2104.08954,
title = {Combining a Convolutional Neural Network with Autoencoders to Predict the Survival Chance of COVID-19 Patients},
author = {Fahime Khozeimeh and Danial Sharifrazi and Navid Hoseini Izadi and Javad Hassannataj Joloudari and Afshin Shoeibi and Roohallah Alizadehsani and Juan M. Gorriz and Sadiq Hussain and Zahra Alizadeh Sani and Hossein Moosaei and Abbas Khosravi and Saeid Nahavandi and Sheikh Mohammed Shariful Islam},
journal= {arXiv preprint arXiv:2104.08954},
year = {2021}
}