COV-ELM 分类器：基于极限学习机利用胸部 X 射线图像识别 COVID-19
图像与视频处理
2021-09-29 v6 计算机视觉与模式识别
机器学习
摘要
冠状病毒构成一个引起呼吸道疾病的病毒家族。由于 COVID-19 具有高度传染性，早期诊断对于有效的治疗策略至关重要。然而，被视为 COVID-19 诊断金标准的 RT-PCR 检测存在较高的假阴性率。胸部 X 射线（CXR）图像分析已成为实现该目标的一种可行且有效的诊断技术。在本工作中，我们将 COVID-19 分类问题提出为一个三分类问题，以区分 COVID-19、正常和肺炎类别。我们提出一个名为 COV-ELM 的三阶段框架。第一阶段处理预处理与变换，第二阶段处理特征提取。这些提取的特征作为第三阶段的 ELM 输入，从而实现 COVID-19 的识别。本工作中选择 ELM 的动机在于其相较于传统基于梯度的学习算法具有更快的收敛速度、更好的泛化能力和更短的训练时间。随着更大且更多样的数据集可用，与基于梯度的竞争模型相比，ELM 可被快速重新训练。所提模型在 95% 置信区间下取得了 0.95 的宏平均 F1 分数和 ${0.94 \pm 0.02} 的总体灵敏度。与最先进的机器学习算法相比，COV-ELM 在该三分类场景中优于其竞争者。此外，LIME 已与所提 COV-ELM 模型集成以生成带标注的 CXR 图像。这些标注基于有助于区分不同类别的超像素。观察到超像素对应于 COVID-19 与肺炎病例中临床可见的人肺区域。
引用
@article{arxiv.2007.08637,
title = {COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images},
author = {Sheetal Rajpal and Manoj Agarwal and Ankit Rajpal and Navin Lakhyani and Arpita Saggar and Naveen Kumar},
journal= {arXiv preprint arXiv:2007.08637},
year = {2021}
}