利用胸部CT图像与深度学习检测COVID-19与社区获得性肺炎
图像与视频处理
2021-04-13 v1 计算机视觉与模式识别
机器学习
摘要
我们提出一种基于两阶段卷积神经网络（CNN）的分类框架，利用胸部计算机断层扫描（CT）图像检测COVID-19与社区获得性肺炎（CAP）。第一阶段使用预训练的DenseNet架构检测感染（COVID-19或CAP）；第二阶段使用EfficientNet架构进行细粒度三分类。所提出的COVID+CAP-CNN框架在识别COVID-19与CAP的切片级分类准确率超过94%。此外，该框架有望作为COVID-19与CAP鉴别诊断的初步筛查工具，在更细粒度的三分类（COVID-19、CAP与健康）验证准确率超过89.3%。在IEEE ICASSP 2021信号处理大挑战（SPGC）COVID-19诊断赛中，我们提出的两阶段分类框架总体准确率达90%，区分COVID-19、CAP与正常个体的灵敏度分别为0.857、0.9与0.942，居评估榜首。代码与模型权重见https://github.com/shubhamchaudhary2015/ct_covid19_cap_cnn
引用
@article{arxiv.2104.05121,
title = {Detecting COVID-19 and Community Acquired Pneumonia using Chest CT scan images with Deep Learning},
author = {Shubham Chaudhary and Sadbhawna and Vinit Jakhetiya and Badri N Subudhi and Ujjwal Baid and Sharath Chandra Guntuku},
journal= {arXiv preprint arXiv:2104.05121},
year = {2021}
}
备注
Top Ranked Model Paper at the ICASSP 2021 COVID-19 Grand Challenge