CT-xCOV：一种基于 CT 扫描的可解释 COVID-19 诊断框架
图像与视频处理
2023-11-27 v1 计算机视觉与模式识别
摘要
本文开发了 CT-xCOV，一种利用深度学习（DL）对 CT 扫描进行 COVID-19 诊断的可解释框架。CT-xCOV 采用从肺部分割到 COVID-19 检测及检测模型预测解释的端到端方法。对于肺部分割，我们使用了著名的 U-Net 模型。对于 COVID-19 检测，我们比较了三种不同的 CNN 架构：标准 CNN、ResNet50 和 DenseNet121。检测之后，提供视觉与文本解释。视觉解释方面，我们应用了三种不同的 XAI 技术，即 Grad-Cam、Integrated Gradient（IG）和 LIME。文本解释通过计算肺部感染百分比来补充。为评估所用 XAI 技术的性能，我们提出了一种基于真值的评估方法，衡量可视化输出与真值感染区域的相似度。实验表明，所应用的 DL 模型取得了良好结果。U-Net 分割模型的 Dice 系数高达 98%。我们提出的分类模型（标准 CNN）性能通过 5 折交叉验证验证（准确率 98.40%，f1-score 98.23%）。最后，XAI 技术对比结果显示，在 COVID-19 阳性扫描上，Grad-Cam 以 55% 的 Dice 系数优于 LIME 和 IG（后者分别为 29% 和 24%），给出最佳解释。本文所用代码与数据集已在 GitHub 仓库 [1] 中提供。
引用
@article{arxiv.2311.14462,
title = {CT-xCOV: a CT-scan based Explainable Framework for COVid-19 diagnosis},
author = {Ismail Elbouknify and Afaf Bouhoute and Khalid Fardousse and Ismail Berrada and Abdelmajid Badri},
journal= {arXiv preprint arXiv:2311.14462},
year = {2023}
}