Ensemble-CVDNet：基于深度学习集成网络的COVID-19端到端检测分类框架
图像与视频处理
2020-12-25 v2
摘要
2019年12月始于中国武汉的新型冠状病毒疾病（COVID-19）持续快速蔓延，影响全球。具备高灵敏度诊断筛查工具以尽早检测该疾病至关重要。目前，胸部CT成像被首选为通过放射成像评估COVID-19肺炎的主要筛查工具。然而，CT成像需要较大辐射剂量、较长曝光时间、较高成本，并可能受患者移动影响。X射线成像快速、廉价、对患者更友好且几乎每家医疗机构都有配备。因此，我们聚焦于X射线图像，并在本工作中开发了端到端深度学习模型，即Ensemble-CVDNet，以区分COVID-19肺炎、非COVID肺炎与健康病例。所提模型基于SqueezeNet、ShuffleNet和EfficientNet-B0三种轻量级预训练模型在不同深度的组合，并在不同抽象层级融合特征图。在该端到端模型中，网络经微调后并行用作特征提取器，其顶部附加若干层。所提模型在COVID-19放射影像数据库（一个由219张COVID-19、1341张健康及1345张病毒性肺炎胸部X射线图像组成的公共数据集）上评估。实验结果表明，我们的轻量级Ensemble-CVDNet模型仅用5.62M参数即达到98.30%准确率、97.78%灵敏度和97.61% F1分数。此外，使用中级GPU，所提方法处理并预测一张X射线图像约需10ms。我们相信本研究所提方法可作为放射科医生早期疾病诊断的有助筛查工具。
引用
@article{arxiv.2012.09132,
title = {Ensemble-CVDNet: A Deep Learning based End-to-End Classification Framework for COVID-19 Detection using Ensembles of Networks},
author = {Coşku Öksüz and Oğuzhan Urhan and Mehmet Kemal Güllü},
journal= {arXiv preprint arXiv:2012.09132},
year = {2020}
}