使用新型通道增强CNN的胸部X光图像COVID-19检测
图像与视频处理
2020-12-18 v2 计算机视觉与模式识别
摘要
COVID-19是一种高度传染性的呼吸道感染，已影响全球大量人口并持续造成破坏性后果。尽早检测COVID-19以限制感染范围至关重要。本工作中，提出一种基于深度卷积神经网络(CNN)与通道增强的新分类技术CB-STM-RENet，用于胸部X光中COVID-19的筛查。为此，为学习COVID-19特异性放射学模式，开发了一种基于split-transform-merge (STM)的新卷积块。该新块在各分支系统地融入基于区域与边缘的操作，以捕获各层次多样特征集，尤其与感染区域的区域同质性、纹理变化及边界相关的特征。所提CNN架构的学习与判别能力通过利用通道增强思想得以增强，该思想将辅助通道与原始通道拼接。辅助通道由预训练CNN经迁移学习生成。所提技术CB-STM-RENet在三个不同胸部X光数据集即CoV-Healthy-6k、CoV-NonCoV-10k与CoV-NonCoV-15k上评估。所提CB-STM-RENet与现有技术的性能比较显示出在区分COVID-19胸部感染与健康及其他类型胸部感染方面的高性能。CB-STM-RENet在所有这三个数据集上均提供最高性能；尤其在严格的CoV-NonCoV-15k数据集上。所提技术的良好检测率(97%)与高精度(93%)表明其可适用于COVID-19感染患者的诊断。测试代码见https://github.com/PRLAB21/COVID-19-Detection-System-using-Chest-X-Ray-Images。
引用
@article{arxiv.2012.05073,
title = {COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN},
author = {Saddam Hussain Khan and Anabia Sohail and Asifullah Khan},
journal= {arXiv preprint arXiv:2012.05073},
year = {2020}
}
备注
Pages: 26 Tables: 3 Figures: 10 Equations: 8