基于机器学习方法的CT图像冠状病毒(COVID-19)分类
计算机视觉与模式识别
2020-03-24 v1 机器学习
图像与视频处理
机器学习
摘要
本研究提出了由世界卫生组织(WHO)命名的冠状病毒(COVID-19)的早期检测,采用机器学习方法实现。检测过程在腹部计算机断层扫描(CT)图像上进行。专家放射科医生从CT图像中检测到COVID-19与其他病毒性肺炎表现出不同行为。因此,临床专家指明COVID-19病毒需要在早期阶段诊断。为检测COVID-19,通过从150张CT图像中截取尺寸为16x16、32x32、48x48、64x64的图像块构建了四个不同的数据集。对图像块应用特征提取过程以提高分类性能。采用灰度共生矩阵(GLCM)、局部方向模式(LDP)、灰度游程长度矩阵(GLRLM)、灰度尺寸区矩阵(GLSZM)和离散小波变换(DWT)算法作为特征提取方法。支持向量机(SVM)对提取的特征进行分类。在分类过程中实施了2折、5折和10折交叉验证。采用灵敏度、特异度、准确率、精确率和F值指标评估分类性能。使用10折交叉验证和GLSZM特征提取方法获得了99.68%的最佳分类准确率。
引用
@article{arxiv.2003.09424,
title = {Coronavirus (COVID-19) Classification using CT Images by Machine Learning Methods},
author = {Mucahid Barstugan and Umut Ozkaya and Saban Ozturk},
journal= {arXiv preprint arXiv:2003.09424},
year = {2020}
}
备注
The paper has 10 pages