COVID-ResNet：一种用于胸片筛查 COVID19 的深度学习框架

近几个月来，新型 COVID19 大流行已蔓延至全球。由于其易传播性，开发能够准确且简便地识别 COVID19 存在并将其与其他类型流感和肺炎区分的技术至关重要。近期研究表明，COVID19 患者的胸部 X 光片在放射影像中表现出某些异常。然而，这些方法均为闭源，未向研究界公开以实现可复现性与更深入的洞察。本工作的目标是构建开源且开放获取的数据集，并提供一种准确的卷积神经网络框架，用于区分 COVID19 病例与其他肺炎病例。我们的工作利用最先进的训练技术，包括渐进式重缩放、周期性学习率寻找和判别性学习率，以快速且准确地训练残差神经网络。利用这些技术，我们在开放获取的 COVID-19 数据集上展示了最先进的结果。本工作提出一种三步技术，对预训练的 ResNet-50 架构进行微调，以提升模型性能并减少训练时间。我们称之为 COVIDResNet。这通过逐步将输入图像重缩放为 128x128x3、224x224x3 和 229x229x3 像素并在每个阶段微调网络来实现。该方法结合自动学习率选择，使我们仅用 41 个 epoch 即在 COVIDx 数据集上（所有类别）达到 96.23% 的最先进准确率。本工作提出了一种计算高效且高精度的模型，用于对三类不同感染类型及正常个体进行多分类。该模型可助力 COVID19 病例的早期筛查，并帮助减轻医疗系统负担。