DenResCov-19：一种用于基于X射线稳健自动分类COVID-19、肺炎与结核病的深度迁移学习网络
图像与视频处理
2021-11-04 v1 计算机视觉与模式识别
摘要
COVID-19的全球大流行持续对全球人口的福祉产生重大影响，增加了对快速检测、诊断和治疗的需求。除COVID-19外，其他病原引起的肺炎和结核病也给医疗系统带来了额外挑战。为此，本工作的目标是基于胸部X射线图像，开发一种新的深度迁移学习流程，以诊断患有COVID-19、肺炎和结核病的患者。我们观察到在某些情形下DenseNet与ResNet具有正交的性能。在我们提出的模型中，我们创建了一个带有卷积神经网络块的额外层，将这两种模型结合，以建立优于任一模型的性能。同样的策略在其他观察到具有互补性能的两种竞争网络的应用中也可能有用。我们已在二类（肺炎 vs 健康）、三类（含COVID-19）和四类（含结核病）分类问题上测试了所提出网络的性能。该网络已能成功分类所有这些肺部疾病，并在四个数据集上相较DenseNet、ResNet和Inception-V3等基准网络取得了显著改进。这些新发现可提供一种用于检测COVID-19及其他肺部病变的state-of-the-art预筛查快速决策网络。
引用
@article{arxiv.2104.04006,
title = {DenResCov-19: A deep transfer learning network for robust automatic classification of COVID-19, pneumonia, and tuberculosis from X-rays},
author = {Michail Mamalakis and Andrew J. Swift and Bart Vorselaars and Surajit Ray and Simonne Weeks and Weiping Ding and Richard H. Clayton and Louise S. Mackenzie and Abhirup Banerjee},
journal= {arXiv preprint arXiv:2104.04006},
year = {2021}
}