基于胸部放射影像的轻量可解释 COVID-19 检测模型
图像与视频处理
2022-12-29 v1 计算机视觉与模式识别
机器学习
摘要
近年来由于 COVID-19 大流行，对胸部 X 光（CXR）和计算机断层扫描（CT）图像的深度学习（DL）分析引起了大量关注。卷积神经网络（CNNs）在海量数据训练下非常适用于图像分析任务。为医学图像分析开发的应用相较于其他任何领域都要求更高的灵敏度和精度。大多数提出的 COVID-19 检测工具声称具有高灵敏度和召回率，但在未见过的数据集上测试时未能泛化和表现。这促使我们开发一个 CNN 模型，通过使用（梯度加权类激活映射）Grad-CAM 技术生成的类激活图可视化模型预测，来分析和理解其性能。本研究在图像层面详细讨论了所提模型的成功与失败。模型性能与最先进（SOTA）DL 模型进行比较，并显示具有可比性。所用数据和代码可在 https://github.com/aleesuss/c19 获取。
引用
@article{arxiv.2212.13788,
title = {Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images},
author = {Suba S and Nita Parekh},
journal= {arXiv preprint arXiv:2212.13788},
year = {2022}
}