COVID-FACT：基于胶囊网络的全自动框架用于从胸部CT扫描识别COVID-19病例
图像与视频处理
2020-11-02 v1 计算机视觉与模式识别
机器学习
摘要
2019年底首次出现的新冠病毒病（COVID-19）已在全球蔓延，并造成全球数十万人死亡。计算机断层扫描（CT）相较其他诊断检测（尤其是当前金标准逆转录聚合酶链反应（RT-PCR）检测）展现出独特特征与更高灵敏度。当前基于深度学习的算法主要基于卷积神经网络（CNN）开发以识别COVID-19肺炎病例。然而，CNN需要大量数据增强与大数据集来识别图像实例间细致空间关系。此外，现有利用CT扫描的算法，要么通过简单阈值机制将切片级预测扩展至患者级，要么依赖精细的感染分割来识别疾病。本文提出一种称为“COVID-FACT”的两阶段全自动基于CT的COVID-19阳性病例识别框架。COVID-FACT以胶囊网络为主要构件，因此能够捕获空间信息。特别地，为使所提COVID-FACT独立于感染区域的精细分割，第一阶段检测显示感染的切片，第二阶段负责将患者分类为COVID与非COVID病例。COVID-FACT使用包含COVID-19、社区获得性肺炎及正常病例的内部CT扫描数据集检测感染切片并识别阳性COVID-19病例。根据实验，COVID-FACT取得90.82%准确率、94.55%灵敏度、86.04%特异度及0.98曲线下面积（AUC），且相较同类方法依赖远更少的监督与标注。
引用
@article{arxiv.2010.16041,
title = {COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans},
author = {Shahin Heidarian and Parnian Afshar and Nastaran Enshaei and Farnoosh Naderkhani and Anastasia Oikonomou and S. Farokh Atashzar and Faranak Babaki Fard and Kaveh Samimi and Konstantinos N. Plataniotis and Arash Mohammadi and Moezedin Javad Rafiee},
journal= {arXiv preprint arXiv:2010.16041},
year = {2020}
}