基于深度学习的胸部X光图像COVID-19、MERS和SARS可靠分类
摘要
新型冠状病毒病（COVID-19）是一种极具传染性且传播迅速的冠状病毒感染。2002年和2011年爆发的严重急性呼吸综合征（SARS）和中东呼吸综合征（MERS），以及当前的COVID-19大流行，均来自同一冠状病毒家族。本工作旨在使用深度卷积神经网络（CNNs）对COVID-19、SARS和MERS的胸部X光（CXR）图像进行分类。我们创建了一个独特的数据库，称为QU-COVID-family，包含423张COVID-19、144张MERS和134张SARS的CXR图像。此外，我们提出了一种鲁棒的COVID-19识别系统，使用CNN分割模型（U-Net）识别肺部区域，然后使用预训练的CNN分类器将分割后的肺部图像分类为COVID-19、MERS或SARS。此外，我们利用Score-CAM可视化方法来可视化分类输出，并理解深度CNN决策背后的推理。我们训练并测试了多种深度学习分类器；报告了四种性能卓越的算法。原始图像和预处理图像被单独及共同用作网络的输入。考虑了两种识别方案：普通CXR分类和分割后的CXR分类。对于普通CXR，观察到InceptionV3在三通道方案下优于其他网络，对COVID-19、MERS和SARS图像的分类灵敏度分别达到99.5%、93.1%和97%。相比之下，对于分割后的CXR，InceptionV3在使用原始CXR数据集时表现最佳，对COVID-19、MERS和SARS图像的分类灵敏度分别达到96.94%、79.68%和90.26%。所有网络对分割后的肺部图像均显示出高COVID-19检测灵敏度（>96%）。这表明在人工智能眼中，COVID-19病例具有独特的放射学特征，而这对于医生来说往往是一项具有挑战性的任务。
引用
@article{arxiv.2005.11524,
title = {Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images},
author = {Anas Tahir and Yazan Qiblawey and Amith Khandakar and Tawsifur Rahman and Uzair Khurshid and Farayi Musharavati and M. T. Islam and Serkan Kiranyaz and Muhammad E. H. Chowdhury},
journal= {arXiv preprint arXiv:2005.11524},
year = {2021}
}
备注
10 Figures, 4 Tables