基于融合深度卷积神经网络的胸 X 光图像 COVID-19 精准诊断
图像与视频处理
2020-09-21 v1 计算机视觉与模式识别
机器学习
摘要
随着全球 Coronavirus 疾病(COVID-19)病例数超过一千万,对诊断能力的需求日益增加。提升诊断能力的主要变量包括降低成本、缩短周转或诊断时间,以及降低前期设备成本并提高可及性。机器学习用于 COVID-19 诊断的两个候选方案是计算机断层扫描(CT)与plain胸部 X 光。尽管 CT 扫描灵敏度更高,但相较于plain胸部 X 光,其成本、维护需求与周转时间均更高。美国放射学会(ACR)推荐使用便携式胸部 X 光摄影(CXR),因为使用 CT 会给放射科服务带来巨大负担。因此,提出将 X 光影像与机器学习技术配对作为 COVID-19 诊断的一线分诊工具。本文中,我们提出一种计算机辅助诊断(CAD),通过在 ImageNet 数据集上预训练的若干神经网络(ResNet18、ResNet50、DenseNet201)进行微调,精确分类 COVID-19 与正常受试者的胸部 X 光扫描。这些神经网络以并行架构融合,并在候选对象类之间的最终分类决策中应用投票准则,其中每个神经网络的输出代表一票。我们在弱标注的 COVID-19-CT-CXR 数据集上进行了若干实验,该数据集由从 PubMed Central Open Access 子集中提取的 263 张 COVID-19 CXR 图像与 25 张正常分类 CXR 图像组成。这些实验显示出乐观结果,且所提模型在多项指标上超越许多最先进算法的能力。使用 k 折交叉验证与装袋分类器集成,我们实现了 99.7% 的准确率与 100% 的灵敏度。
引用
@article{arxiv.2009.08831,
title = {Fused Deep Convolutional Neural Network for Precision Diagnosis of COVID-19 Using Chest X-Ray Images},
author = {Hussin K. Ragb and Ian T. Dover and Redha Ali},
journal= {arXiv preprint arXiv:2009.08831},
year = {2020}
}
备注
9 Pages, 14 figures