CXR-Net：一种用于胸片图像中 COVID-19 肺炎可解释精准诊断的编码器-解码器-编码器多任务深度神经网络
图像与视频处理
2023-02-20 v1 计算机视觉与模式识别
机器学习
摘要
准确快速地检测 COVID-19 肺炎对于优化患者治疗至关重要。胸部 X 光（CXR）是 COVID-19 肺炎诊断的一线影像检查手段，因其快速、廉价且易于获取。受深度学习（DL）在计算机视觉中成功的启发，许多 DL 模型被提出用于利用 CXR 图像检测 COVID-19 肺炎。遗憾的是，这些深度分类器在解释发现时缺乏透明性，这可能限制其在临床实践中的应用。现有常用的视觉解释方法要么过于嘈杂，要么不精确且分辨率低，因此不适合诊断用途。在本工作中，我们提出一种新颖的可解释深度学习框架（CXRNet），用于从 CXR 图像中进行准确的 COVID-19 肺炎检测并提供增强的像素级视觉解释。所提框架基于一种新的编码器-解码器-编码器多任务架构，可同时实现疾病分类与视觉解释。该方法已在来自公共和私有数据源的真实世界 CXR 数据集上进行了评估，包括：健康、细菌性肺炎、病毒性肺炎和 COVID-19 肺炎病例。实验结果表明，所提方法能达到令人满意的准确度，并为肺部疾病检测中的视觉解释提供精细分辨率的分类激活图。COVID-19 肺炎的平均准确率、精确率、召回率和 F1 分数分别达到 0.879、0.985、0.992 和 0.989。我们还发现，使用肺部分割的（CXR）图像有助于提升模型性能。与当前最先进的视觉解释方法相比，所提方法能为分类决策提供更详细的高分辨率视觉解释，并具有在临床实践中用于 COVID-19 肺炎诊断的巨大潜力。
引用
@article{arxiv.2110.10813,
title = {CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray Images},
author = {Xin Zhang and Liangxiu Han and Tam Sobeih and Lianghao Han and Nina Dempsey and Symeon Lechareas and Ascanio Tridente and Haoming Chen and Stephen White},
journal= {arXiv preprint arXiv:2110.10813},
year = {2023}
}