基于深度特征融合与排序技术的冠状病毒（COVID-19）分类
图像与视频处理
2020-04-09 v1 计算机视觉与模式识别
机器学习
神经与进化计算
摘要
冠状病毒（COVID-19）于 2019 年底出现。世界卫生组织（WHO）将其确定为全球流行病。共识认为，使用计算机断层扫描（CT）技术对大流行疾病进行早期诊断可给出快速且准确的结果。专家放射科医生指出，COVID-19 在 CT 图像中表现出不同的行为。在本研究中，提出了一种新颖的方法，即融合与排序深度特征以在早期检测 COVID-19。从 150 张 CT 图像中获取 16x16（子集-1）和 32x32（子集-2）图像块以生成子数据集。在所提方法范围内，3000 张图像块已被标记为 CoVID-19 和 No finding，用于训练和测试阶段。为提高所提方法的性能，应用了特征融合与排序方法。然后，使用支持向量机（SVM）对处理后的数据进行分类。与其他用于迁移学习的预训练卷积神经网络（CNN）模型相比，所提方法在子集-2 上表现出高性能，准确率为 98.27%、灵敏度为 98.93%、特异度为 97.60%、精确率为 97.63%、F1 分数为 98.28%、马修斯相关系数（MCC）为 96.54%。
引用
@article{arxiv.2004.03698,
title = {Coronavirus (COVID-19) Classification using Deep Features Fusion and Ranking Technique},
author = {Umut Ozkaya and Saban Ozturk and Mucahid Barstugan},
journal= {arXiv preprint arXiv:2004.03698},
year = {2020}
}
备注
13 pages, 6 figures