基于渐进缩放3D-CNN并结合分割、增强与类别再平衡的体素胸部CT扫描COVID-19识别
图像与视频处理
2021-04-15 v2 计算机视觉与模式识别
机器学习
摘要
新型冠状病毒COVID-19是一种在全球范围内快速蔓延的大流行疾病。具有更高灵敏度的计算机辅助筛查工具对于尽早疾病诊断与预后至关重要，也可作为COVID-19患者检测分诊与临床监护的有用工具。然而，从非侵入性放射图像设计此类自动化工具具有挑战性，因为许多人工标注数据集尚未公开，而这是监督学习方案的核心基本要求。本文提出一种基于3D卷积神经网络(CNN)的分类方法，同时考虑切片间与切片内空间体素信息。所提系统以端到端方式在来自整体体素CT图像的3D块上训练，以扩充训练样本数量，并对块大小确定进行消融研究。我们将渐进缩放、分割、增强与类别再平衡集成到3D网络中。分割是COVID-19诊断的关键前置步骤，使分类器能够学习显著肺部特征，同时排除CT扫描的肺外区域。我们在名为MosMed的公开数据集上评估所有广泛实验，该数据集具有二分类与多分类胸部CT图像划分。我们的实验结果令人鼓舞，在5折交叉验证下，二分类与多分类任务的ROC曲线下面积分别为0.914与0.893。我们方法的前景结果使其成为临床医师与放射科医生评估COVID-19的有利辅助工具。
引用
@article{arxiv.2102.06169,
title = {COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing},
author = {Md. Kamrul Hasan and Md. Tasnim Jawad and Kazi Nasim Imtiaz Hasan and Sajal Basak Partha and Md. Masum Al Masba and Shumit Saha},
journal= {arXiv preprint arXiv:2102.06169},
year = {2021}
}
备注
33 pages