基于迁移学习方法的计算机断层扫描图像COVID-19检测
图像与视频处理
2023-12-12 v5 计算机视觉与模式识别
摘要
在COVID-19大流行带来的独特挑战中，高效且准确诊断的重要性凸显了创新方法的紧迫性。为应对这些挑战，我们提出一种基于迁移学习的方法，使用最近标注的计算机断层扫描（CT）图像数据库。尽管许多方法提出密集的数据预处理和/或复杂模型架构，我们的方法侧重于以最小的人工工程提供高效解决方案。具体而言，我们研究了修改后的Xception模型用于COVID-19检测的适用性。该方法涉及适配预训练的Xception模型，整合来自ImageNet的架构与预训练权重。模型输出被设计用于作出最终诊断决策。训练采用128的批大小与224x224的输入图像尺寸，由标准512x512下采样得到。对输入数据未做进一步数据处理。评估在'COV19-CT-DB' CT图像数据集上进行，包含标注的COVID-19与非COVID-19病例。结果显示该方法在验证子集上的准确率、精确率、召回率和宏F1分数方面具有优越性，优于VGG-16迁移模型，从而以更少参数提供增强的精度。此外，相较于COV19-CT-DB数据集的替代方法，我们的方法在同一数据集上超越了基线方法与其他替代方案。最后，修改后的Xception迁移学习模型对COV19-CT-DB数据集独特特征的适应性展示了其作为从CT图像增强COVID-19诊断的鲁棒工具的潜力。
引用
@article{arxiv.2207.00259,
title = {COVID-19 Detection Using Transfer Learning Approach from Computed Tomography Images},
author = {Kenan Morani and Esra Kaya Ayana and Devrim Unay},
journal= {arXiv preprint arXiv:2207.00259},
year = {2023}
}