基于 Indian-COVID-19 CT 数据集评估深度学习模型的泛化性
图像与视频处理
2022-12-29 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）已常规用于肺部疾病的诊断，且近期在疫情期间被用于检测 COVID-19 疾病的感染性与严重程度。在临床环境中使用机器学习（ML）方法自动处理 CT 扫描图像的一个主要担忧是，这些方法是在有限且有偏的公开 COVID-19 数据子集上训练的。这引发了人们对这些模型在训练时未见的外部数据集上泛化能力的担忧。为解决其中部分问题，本工作使用来自最大公开存储库之一 COVIDx CT 2A 的确诊 COVID-19 数据 CT 扫描图像，用于机器学习模型的训练与内部验证。对于外部验证，我们生成了 Indian-COVID-19 CT 数据集，这是一个开源存储库，包含来自印度 288 名 COVID-19 患者的 3D CT 体数据与 12096 张胸部 CT 图像。我们在这两个数据集上，对四种最先进的机器学习模型（即一个轻量级卷积神经网络（CNN），以及另外三个基于 CNN 的深度学习（DL）模型如 VGG-16、ResNet-50 和 Inception-v3）将 CT 图像分类为三类（正常、非新冠肺炎、COVID-19）的性能进行了比较评估。我们的分析表明，所有模型在留出 COVIDx CT 2A 测试集上的性能相当，准确率为 90%–99%（CNN 为 96%），而在外部 Indian-COVID-19 CT 数据集上，所有模型的性能均出现下降（8%–19%）。与传统深度学习模型相比，传统机器学习模型 CNN 在外部数据集上表现最佳（准确率 88%），表明轻量级 CNN 对未见数据的泛化能力更好。数据与代码已发布于 https://github.com/aleesuss/c19。
引用
@article{arxiv.2212.13929,
title = {Evaluating Generalizability of Deep Learning Models Using Indian-COVID-19 CT Dataset},
author = {Suba S and Nita Parekh and Ramesh Loganathan and Vikram Pudi and Chinnababu Sunkavalli},
journal= {arXiv preprint arXiv:2212.13929},
year = {2022}
}