CT-CAPS：基于特征提取的胶囊网络胸部CT扫描COVID-19疾病自动识别框架
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
新型冠状病毒（COVID-19）疾病的全球暴发对世界造成了严重影响，并导致了自第二次世界大战以来全球最具挑战性的危机之一。对COVID-19阳性病例的早期诊断和隔离被认为是防止疾病传播和压平流行曲线的关键步骤。胸部计算机断层扫描（CT）是一种高灵敏度、快速且准确的诊断技术，可补充逆转录聚合酶链反应（RT-PCR）检测。近来，基于深度学习的模型（大多基于卷积神经网络（CNN））已显示出有前景的诊断结果。然而，CNN无法捕捉图像实例之间的空间关系，且需要大型数据集。另一方面，胶囊网络能够捕捉空间关系，所需数据集更小，且参数显著更少。本文提出了一个称为“CT-CAPS”的胶囊网络框架，用于自动提取胸部CT扫描的显著特征。这些从最终胶囊层之前一层提取的特征，随后被用于区分COVID-19与非COVID病例。在我们包含307名患者的内部数据集上的实验显示了最先进的性能，准确率为90.8%，灵敏度为94.5%，特异度为86.0%。
引用
@article{arxiv.2010.16043,
title = {CT-CAPS: Feature Extraction-based Automated Framework for COVID-19 Disease Identification from Chest CT Scans using Capsule Networks},
author = {Shahin Heidarian and Parnian Afshar and Arash Mohammadi and Moezedin Javad Rafiee and Anastasia Oikonomou and Konstantinos N. Plataniotis and Farnoosh Naderkhani},
journal= {arXiv preprint arXiv:2010.16043},
year = {2020}
}