使用带有注意力机制的新型EfficientNet从肺部CT扫描中检测COVID-19
图像与视频处理
2024-03-29 v2 计算机视觉与模式识别
机器学习
摘要
通过检查肺部计算机断层扫描（CT）图像来手动分析和诊断COVID-19可能耗时且容易出错，尤其是在患者数量大且每位患者图像众多的情况下。因此，我们通过开发一种新的基于深度学习的模型流水线来满足该任务自动化的需求。我们的动机源于CVPR研讨会“医学图像分析中AI的领域自适应、可解释性与公平性”，更具体地说，是同一研讨会下的“COVID-19诊断竞赛（DEF-AI-MIA COV19D）”。该挑战赛提供了一个评估我们提出的从CT扫描图像中检测COVID-19流水线的机会。该流水线结合了原始的EfficientNet，但增加了一个注意力机制：EfficientNet-AM。此外，与依赖预处理步骤的传统/过往流水线不同，我们的流水线直接采用原始选定的输入图像，无需任何此类步骤，仅有一个图像选择步骤以简单减少训练和/或测试所需的CT图像数量。而且，我们的流水线计算效率高，例如，它不包含用于分割肺部的解码器。它也不像过去其他流水线那样组合不同的骨干网络或将RNN与骨干网络结合。尽管如此，我们的流水线仍然优于去年同一挑战赛中其他团队提出的所有方法，至少基于竞赛数据集的验证子集是如此。
引用
@article{arxiv.2403.11505,
title = {COVID-19 detection from pulmonary CT scans using a novel EfficientNet with attention mechanism},
author = {Ramy Farag and Parth Upadhyay and Yixiang Gao and Jacket Demby and Katherin Garces Montoya and Seyed Mohamad Ali Tousi and Gbenga Omotara and Guilherme DeSouza},
journal= {arXiv preprint arXiv:2403.11505},
year = {2024}
}