基于胸部CT的COVID-19分类高效可可视化卷积神经网络
摘要
随着COVID-19病例迅速增加，深度学习已成为一种有前景的诊断技术。然而，确定最准确刻画COVID-19患者的模型具有挑战性，因为比较由不同数据类型和采集流程所得结果并非易事。本文中，我们设计、评估并比较了20个卷积神经网络在基于胸部CT扫描将患者分类为COVID-19阳性、健康或患有其他肺部感染性疾病上的性能，首次考虑将EfficientNet系列用于COVID-19诊断并采用中间激活图可视化模型性能。所有模型在Python中使用题为“A COVID multiclass dataset of CT scans”的数据集中的4173张胸部CT图像进行训练与评估，其中COVID-19阳性、健康及其他肺部感染患者图像分别为2168、758和1247张。EfficientNet-B5被确定为最佳模型，其F1分数为0.9769±0.0046，准确率为0.9759±0.0048，灵敏度为0.9788±0.0055，特异度为0.9730±0.0057，精确率为0.9751±0.0051。在另一二分类数据集上，EfficientNet-B5获得了0.9845±0.0109的准确率、0.9599±0.0251的F1分数、0.9682±0.0099的灵敏度、0.9883±0.0150的特异度和0.9526±0.0523的精确率。中间激活图与梯度加权类激活映射提供了模型对磨玻璃影和实变感知的人可解释证据，暗示了人工智能辅助放射工具的良好应用前景。在GPU上预测速度低于0.1秒、CPU上低于0.5秒，我们所提模型为COVID-19提供了快速、可扩展且准确的诊断。
引用
@article{arxiv.2012.11860,
title = {Efficient and Visualizable Convolutional Neural Networks for COVID-19 Classification Using Chest CT},
author = {Aksh Garg and Sana Salehi and Marianna La Rocca and Rachael Garner and Dominique Duncan},
journal= {arXiv preprint arXiv:2012.11860},
year = {2021}
}
备注
35 pages, 4 figures, 5 Tables. Paper in review by Expert Systems with Applications