COVID_MTNet：基于多任务深度学习的 COVID-19 检测
图像与视频处理
2020-04-21 v3 计算机视觉与模式识别
机器学习
摘要
COVID-19 目前是全球最具生命威胁的问题之一。快速且准确地检测 COVID-19 感染对于识别患者、做出更好决策并确保其治疗至关重要，这将有助于挽救生命。在本文中，我们提出一种利用多任务深度学习（DL）方法快速高效识别 COVID-19 患者的途径。我们同时考虑 X 射线与 CT 扫描图像来评估所提技术。我们采用带有迁移学习（TL）的 Inception Residual Recurrent 卷积神经网络进行 COVID-19 检测，并采用 NABLA-N 网络模型分割 COVID-19 感染区域。该检测模型在 X 射线图像上取得约 84.67% 的测试准确率，在 CT 图像上取得 98.78% 的准确率。本文还提出一种新颖的定量分析策略，以确定 X 射线与 CT 图像中感染区域的百分比。定性与定量结果展示了在 COVID-19 检测与感染区域定位方面的良好前景。
引用
@article{arxiv.2004.03747,
title = {COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches},
author = {Md Zahangir Alom and M M Shaifur Rahman and Mst Shamima Nasrin and Tarek M. Taha and Vijayan K. Asari},
journal= {arXiv preprint arXiv:2004.03747},
year = {2020}
}
备注
11 pages, 15 figures