基于生成对抗网络与微调深度迁移学习模型利用胸部X射线数据集检测冠状病毒(COVID-19)相关肺炎
图像与视频处理
2020-04-06 v1 计算机视觉与模式识别
机器学习
摘要
据世界卫生组织称，COVID-19冠状病毒是最具破坏性的病毒之一。这种新型病毒会导致肺炎，即一种使人类肺部气囊发炎的感染。检测这些炎症的方法之一是使用胸部X射线。本文提出一种基于生成对抗网络(GAN)并结合针对有限数据集微调的深度迁移学习的肺炎胸部X射线检测方法。GAN的使用对所提模型的鲁棒性有积极影响，使其免于过拟合问题，并有助于从数据集中生成更多图像。本研究使用的数据集包含5863张X射线图像，分为两类：正常和肺炎。本研究仅使用数据集的10%作为训练数据，并利用GAN生成90%的图像，以证明所提模型的有效性。文中选取AlexNet、GoogLeNet、Squeeznet和Resnet18作为深度迁移学习模型来检测胸部X射线中的肺炎。这些模型是基于其架构中较少的层数选取的，这将降低模型复杂度以及内存消耗和时间消耗。使用GAN与深度迁移模型相结合，根据测试准确率度量证明了其有效性。研究得出结论，根据测试准确率度量，Resnet18是最合适的深度迁移模型，在使用GAN作为图像增强器时，其测试准确率达到99%，并取得了精确率、召回率和F1分数等其他性能指标。最后，在研究末尾与相关工作进行了对比，相关工作使用了相同的数据集，而本研究仅使用了原始数据集的10%。所提出的工作在测试准确率方面取得了优于相关工作的结果。
引用
@article{arxiv.2004.01184,
title = {Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset},
author = {Nour Eldeen M. Khalifa and Mohamed Hamed N. Taha and Aboul Ella Hassanien and Sally Elghamrawy},
journal= {arXiv preprint arXiv:2004.01184},
year = {2020}
}
备注
15 pages, 3 Tables and 10 Figures