基于卷积神经网络的 COVID-19 肺炎与流感肺炎检测
图像与视频处理
2021-12-15 v1 计算机视觉与模式识别
机器学习
摘要
在本研究中，我们开发了一种计算机视觉解决方案，以辅助诊断放射学区分 COVID-19 肺炎、流感病毒肺炎和正常生物标志物。COVID-19 肺炎的胸片表现被认为是非特异性的，这给确定一种能够在 COVID-19 与非 COVID-19 类型肺炎的肺部炎症特征间以高灵敏度进行分类的卷积神经网络（CNN）最优架构带来了挑战。Rahman（2021）指出，COVID-19 放射影像存在不可用性和质量问题，影响诊断流程并降低深度学习检测模型的准确性。COVID-19 放射影像的显著稀缺导致数据不平衡，促使我们采用过采样技术。在本研究中，我们纳入了包含 COVID-19 肺炎、流感病毒肺炎和正常生物标志物的广泛人体肺部 X 射线成像（CXR）数据集，以构建可扩展且准确的 CNN 模型。在研究的实验阶段，我们评估了多种卷积网络架构，选定了一个具有两个传统卷积层和两个最大池化层的序贯卷积网络。在分类性能上，表现最佳的模型达到了 93% 的验证准确率和 0.95 的 F1 分数。我们选用 Azure 机器学习服务进行网络实验与解决方案部署，其自动缩放计算集群显著缩短了网络训练时间。我们希望人工智能与人类生物学领域的科学家合作并扩展所提出的解决方案，以提供快速而全面的诊断，有效遏制病毒传播。
引用
@article{arxiv.2112.07102,
title = {COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional Neural Networks},
author = {Julianna Antonchuk and Benjamin Prescott and Philip Melanchthon and Robin Singh},
journal= {arXiv preprint arXiv:2112.07102},
year = {2021}
}
备注
for associated Azure ML notebook code, see https://github.com/bcprescott/MSDS/tree/main/Capstone_COVID19/code/AML