基于深度学习的 CT 图像 COVID-19 检测与严重程度分类
图像与视频处理
2021-02-16 v1 计算机视觉与模式识别
机器学习
摘要
自冠状病毒病（COVID-19）爆发以来，计算机辅助诊断已成为防止病毒传播的必需品。早期检测 COVID-19 对于降低患者死亡风险至关重要。本研究提出一种级联系统，用于从计算机断层扫描（CT）图像中分割肺部、检测、定位并量化 COVID-19 感染；此外，该系统根据感染肺部的百分比将 COVID-19 严重程度分类为轻度、中度、重度或危重。使用最先进的深度编码器-解码器卷积神经网络（ED-CNNs）、UNet 和特征金字塔网络（FPN），配合基于 DenseNet 和 ResNet 变体的不同骨干（编码器）结构，进行了一组广泛的实验。实验表明，使用 DenseNet 161 编码器的 U-Net 模型在肺区域分割上取得最佳性能，Dice 相似系数（DSC）为 97.19%，交并比（IoU）为 95.10%。此外，所提系统使用 DenseNet201 编码器的 FPN 模型在 COVID-19 感染分割上取得优异性能，DSC 为 94.13%，IoU 为 91.85%。所取得的性能显著优于既往的 COVID-19 病灶定位方法。此外，该系统能可靠定位各种形状和大小的感染，尤其是近期研究很少考虑的小感染区域。而且，所提系统取得了高 COVID-19 检测性能，灵敏度为 99.64%，特异度为 98.72%。最后，该系统能够在 1,110 名受试者的数据集上区分不同严重程度的 COVID-19 感染，对轻度、中度、重度和危重感染的灵敏度分别为 98.3%、71.2%、77.8% 和 100%。
引用
@article{arxiv.2102.07726,
title = {Detection and severity classification of COVID-19 in CT images using deep learning},
author = {Yazan Qiblawey and Anas Tahir and Muhammad E. H. Chowdhury and Amith Khandakar and Serkan Kiranyaz and Tawsifur Rahman and Nabil Ibtehaz and Sakib Mahmud and Somaya Al-Madeed and Farayi Musharavati},
journal= {arXiv preprint arXiv:2102.07726},
year = {2021}
}
备注
9 Figures, 8 Tables