基于深度放射组学分析的CT与X射线图像新冠肺炎预测
图像与视频处理
2022-06-07 v1 计算机视觉与模式识别
定量方法
摘要
本文提出利用高斯混合模型对卷积神经网络所学特征的分布进行编码。这些参数化特征称为GMM-CNN，来源于新冠肺炎患者的胸部计算机断层扫描和X射线影像。我们使用所提出的GMM-CNN特征作为基于随机森林的鲁棒分类器的输入，以区分COVID-19与其他肺炎病例。我们的实验评估了GMM-CNN特征相较于测试图像上标准CNN分类的优势。使用随机森林分类器（80%样本用于训练，20%样本用于测试），以两个混合分量编码的GMM-CNN特征显著优于标准CNN分类（p\,\,0.05）。具体而言，我们的方法准确率达到96.00\,--\,96.70%，ROC曲线下面积达到99.29\,--\,99.45%，其中结合计算机断层扫描与X射线图像的GMM-CNN特征取得了最佳性能。我们的结果表明所提出的GMM-CNN特征可改善胸部计算机断层扫描与X射线影像中COVID-19的预测。
引用
@article{arxiv.2206.01903,
title = {Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images},
author = {Ahmad Chaddad and Lama Hassan and Christian Desrosiers},
journal= {arXiv preprint arXiv:2206.01903},
year = {2022}
}