平面与层次分类场景下胸片图像中的 COVID-19 识别
机器学习
2020-05-12 v3 机器学习
摘要
COVID-19 可引起严重肺炎，估计对医疗系统有高度影响。肺炎的标准影像诊断检查为胸部 X 光（CXR）和计算机断层扫描（CT）。CXR 有用之处在于比 CT 更便宜、更快且更普及。本研究旨在仅使用 CXR 图像将 COVID-19 引起的肺炎与其他类型及健康肺部分辨出来。为实现目标，我们提出了考虑多类和层次视角的分类框架，因为肺炎可结构化为一种层次。鉴于该领域天然的数据不平衡，我们还提出使用重采样算法以重新平衡类分布。我们的分类框架使用一些知名纹理描述符及预训练 CNN 模型提取特征。我们还探索了早期和晚期融合技术，以一次性利用多种纹理描述符和基分类器的优势。为评估该方法，我们组建了一个名为 RYDLS-20 的数据库，包含由不同病原体引起的肺炎 CXR 图像以及健康肺部的 CXR 图像。类分布遵循真实场景，其中某些病原体较其他更常见。所提方法在多类方法中取得了 0.65 的宏平均 F1 分数，在层次分类场景中取得了 0.89 的 COVID-19 识别 F1 分数。据我们所知，我们在具有超过三类的非平衡环境中取得了最佳的 COVID-19 识别名义率。我们还必须强调为此任务提出的新颖层次分类方法，其考虑了不同病原体引起的肺炎类型，并使我们在此获得最佳 COVID-19 识别率。
引用
@article{arxiv.2004.05835,
title = {COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios},
author = {Rodolfo M. Pereira and Diego Bertolini and Lucas O. Teixeira and Carlos N. Silla and Yandre M. G. Costa},
journal= {arXiv preprint arXiv:2004.05835},
year = {2020}
}
备注
Accepted for publication in the Computer Methods and Programs in Biomedicine Journal