COVIDLite:一种结合白平衡与CLAHE的深度可分离深度神经网络用于COVID-19检测
图像与视频处理
2020-06-25 v1 计算机视觉与模式识别
机器学习
摘要
背景与目的:当前,全世界正面临一种大流行疾病,即新型冠状病毒(亦称COVID-19),它已在200多个国家蔓延,约有330万活跃病例和约44万死亡病例。由于病例数迅速增加且检测试剂盒供应有限,有必要提供替代诊断方法,以便在早期遏制COVID-19病例的传播并降低死亡人数。为提供替代诊断方法,我们提出了一种基于深度神经网络的诊断方法,可轻松集成到移动设备中,利用胸部X光(CXR)图像检测COVID-19和病毒性肺炎。方法:在本研究中,我们提出了一种名为COVIDLite的方法,它由白平衡、随后进行对比度受限自适应直方图均衡化(CLAHE)以及深度可分离卷积神经网络(DSCNN)组成。在该方法中,白平衡后接CLAHE用作图像预处理步骤以增强CXR图像的可见性,使用稀疏交叉熵训练的DSCNN用于图像分类,其参数更少且体积显著更小,即未量化时为8.4 MB。结果:所提出的COVIDLite方法相较于无预处理的原始DSCNN性能有所提升。该方法在二分类中达到了99.58%的更高准确率,而在多分类中达到96.43%,并优于多种当前最优(state-of-the-art)方法。结论:我们提出的方法COVIDLite在各种性能指标上均取得了优异结果。借助详细的模型解释,COVIDLite可协助放射科医生从CXR图像中检测COVID-19患者,并显著缩短诊断时间。
引用
@article{arxiv.2006.13873,
title = {COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19},
author = {Manu Siddhartha and Avik Santra},
journal= {arXiv preprint arXiv:2006.13873},
year = {2020}
}