CVR-Net：一种用于从胸部放射影像中识别冠状病毒的深度卷积神经网络
摘要
2019 新型冠状病毒病（COVID-19）是一种在全球快速传播的全球性大流行疾病。通过辅助计算机辅助诊断工具对 COVID-19 进行稳健且自动的早期识别，对于疾病治疗与防控至关重要。胸部放射影像（如计算机断层扫描（CT）和 X 射线）以及深度卷积神经网络（CNN）可作为设计此类工具的重要且有用的素材。然而，设计这样一种自动化工具具有挑战性，因为大量人工标注的数据集尚未公开可用，而这是监督学习系统的核心要求。在本文中，我们提出了一种稳健的基于 CNN 的网络，称为 CVR-Net（Coronavirus Recognition Network，冠状病毒识别网络），用于从 CT 或 X 射线图像中自动识别冠状病毒。所提出的端到端 CVR-Net 是一种多尺度多编码器集成模型，其中我们聚合了来自两个不同编码器及其不同尺度的输出，以获得最终的预测概率。我们在三个不同的数据集上训练和测试所提出的 CVR-Net，这些图像收集自不同的开源仓库。我们将所提出的 CVR-Net 与在相同数据集上训练和测试的最先进方法进行比较。我们将三个数据集划分为五种不同的任务，每项任务具有不同数量的类别，以评估多任务 CVR-Net。我们的模型在任务 1 至任务 5 上分别取得了总体 F1 分数与准确率：0.997 与 0.998；0.963 与 0.964；0.816 与 0.820；0.961 与 0.961；以及 0.780 与 0.780。由于 CVR-Net 在小型数据集上提供了有前景的结果，它可成为一种用于冠状病毒诊断的、有助于临床医师和放射科医生的良好计算机辅助诊断工具。我们的源代码和模型公开于 https://github.com/kamruleee51/CVR-Net。
引用
@article{arxiv.2007.11993,
title = {CVR-Net: A deep convolutional neural network for coronavirus recognition from chest radiography images},
author = {Md. Kamrul Hasan and Md. Ashraful Alam and Md. Toufick E Elahi and Shidhartho Roy and Sifat Redwan Wahid},
journal= {arXiv preprint arXiv:2007.11993},
year = {2020}
}
备注
31 Pages