COVID-CAPS：基于胶囊网络的 X 射线图像 COVID-19 病例识别框架
计算机视觉与模式识别
2020-04-20 v2 机器学习
图像与视频处理
摘要
新型冠状病毒肺炎（COVID-19）在 21 世纪第二个十年末突如其来且毫无疑问地改变了我们所熟知的世界。COVID-19 传染性极强且在全球迅速传播，使其早期诊断至关重要。COVID-19 的早期诊断使医疗专业人员和政府当局能够打破传播链并拉平流行曲线。然而，常见的 COVID-19 诊断测试需要特定设备且灵敏度相对较低。另一方面，计算机断层扫描（CT）和 X 射线图像揭示了与该疾病相关的特定表现。与其他肺部感染的重叠使得以人为中心的 COVID-19 诊断具有挑战性。因此，开发基于深度神经网络（DNN）的诊断解决方案（主要基于卷积神经网络（CNN））以辅助识别 COVID-19 阳性病例的需求激增。然而，CNN 容易丢失图像实例间的空间信息且需要大型数据集。本文提出了一种基于胶囊网络的替代建模框架，称为 COVID-CAPS，能够处理小数据集，这在 COVID-19 突然迅速出现的情况下具有重要意义。我们基于 X 射线图像数据集的结果表明，COVID-CAPS 优于以往基于 CNN 的模型。COVID-CAPS 达到了 95.7% 的准确率、90% 的灵敏度、95.8% 的特异度和 0.97 的曲线下面积（AUC），同时与同类模型相比，其可训练参数数量少得多。为进一步提升 COVID-CAPS 的诊断能力，我们使用了由外部 X 射线图像数据集构建的新数据集进行预训练。使用性质相似的数据集进行预训练，将准确率进一步提升至 98.3%，特异度提升至 98.6%。
引用
@article{arxiv.2004.02696,
title = {COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images},
author = {Parnian Afshar and Shahin Heidarian and Farnoosh Naderkhani and Anastasia Oikonomou and Konstantinos N. Plataniotis and Arash Mohammadi},
journal= {arXiv preprint arXiv:2004.02696},
year = {2020}
}