基于胸部X光的新冠肺炎检测：肺分割对泛化能力是否重要？
摘要
目的：我们使用一个相对较小且混合的数据集，评估了训练用于分类胸部X光为新冠肺炎、正常或肺炎的深度神经网络（DNNs）的泛化能力。方法：我们提出了一种执行肺分割与分类的DNN，堆叠了一个分割模块（U-Net）、一个原创中间模块和一个分类模块（DenseNet201）。为评估泛化能力，我们使用外部数据集（来自不同地区）测试该DNN，并采用贝叶斯推断估计性能指标的概率分布。结果：我们的DNN在外部测试数据集上取得了0.917的AUC，而无分割的DenseNet为0.906。贝叶斯推断显示，有分割时平均准确率为76.1%、[0.695, 0.826]的95% HDI（最高密度区间，集中了该指标95%的概率质量），无分割时为71.7%和[0.646, 0.786]。结论：采用一种使用LRP和Brixia评分的新型DNN评估技术，我们发现放射科医生发现强烈新冠肺炎症状的区域对于堆叠DNN分类最为重要。外部验证显示的准确率低于内部验证，表明泛化存在困难，而分割对其有正向影响。最后，外部数据集上的表现及LRP分析表明，DNN可在小而混合的数据集上训练并仍成功检测新冠肺炎。
引用
@article{arxiv.2104.06176,
title = {COVID-19 detection using chest X-rays: is lung segmentation important for generalization?},
author = {Pedro R. A. S. Bassi and Romis Attux},
journal= {arXiv preprint arXiv:2104.06176},
year = {2022}
}
备注
Text and figure improvements. Results did not change. Included DOI and reference to the published article (Research on Biomedical Engineering, Springer). Link for the published paper: https://trebuchet.public.springernature.app/get_content/1ab346c8-06ea-49ed-92f3-deaec80f6988