基于深度学习的计算机断层扫描图像 COVID-19 自动分类
图像与视频处理
2023-06-06 v5 计算机视觉与模式识别
机器学习
摘要
提出了一种带图像预处理与超参数调优的卷积神经网络（CNN）图像分类方法。该方法旨在以较不复杂的模型架构提升 COVID-19 诊断的预测性能。首先，该 CNN 模型包含四个相似的卷积层，其后接扁平化层与两个全连接层。本工作提出了一种基于简单分类计算机断层扫描（CT）的 2D 切片的较不复杂方案。尽管架构简单，所提 CNN 模型在预测切片病例时取得了超越现有最优（SOTA）的定量结果。结果在 COV-19-CT-DB 数据集的标注 CT 切片上取得。其次，原始数据集通过解剖相关切片掩蔽、从 CT 体积中移除无代表性切片以及超参数调优进行处理。对于切片处理，使用固定尺寸矩形区域裁剪图像中的解剖相关感兴趣区域，并基于二值化切片中白色像素数的阈值来从 3D-CT 扫描中移除无代表性切片。具有学习率调度与指数衰减以及切片翻转技术的 CNN 模型部署于处理后的切片上。所提方法用于对 2D 切片进行预测，并在患者层面通过对其每个 CT 扫描的切片施加多数投票以得出诊断。所提方法的宏 F1 分数在验证集以及来自 COV-19-CT-DB 数据集的先前未见图像的测试划分上均大幅超越基线方法与其他替代方案。
引用
@article{arxiv.2111.11191,
title = {Deep Learning Based Automated COVID-19 Classification from Computed Tomography Images},
author = {Kenan Morani and Devrim Unay},
journal= {arXiv preprint arXiv:2111.11191},
year = {2023}
}