用于 CT 影像识别 COVID-19 的超图学习
图像与视频处理
2020-05-11 v1 计算机视觉与模式识别
机器学习
摘要
自 2020 年初爆发以来，被称为 COVID-19 的冠状病毒病已成为最大的全球公共卫生危机。CT 影像已被用作辅助早期筛查的补充工具，特别是用于从社区获得性肺炎 (CAP) 病例中快速识别 COVID-19 病例。早期筛查的主要挑战是如何对 COVID-19 组和 CAP 组中具有非常相似的临床表现和影像特征的易混淆病例进行建模。为了应对这一挑战，我们提出了一种不确定性顶点加权超图学习 (UVHL) 方法，利用 CT 图像从 CAP 中识别 COVID-19。具体而言，首先从每个病例的 CT 图像中提取多种类型的特征（包括区域特征和影像组学特征）。然后，通过超图结构构建不同病例之间的关系，每个病例表示为超图中的一个顶点。进一步通过不确定性得分度量计算每个顶点的不确定性，并将其用作超图中的权重。最后，利用顶点加权超图的学习过程来预测新的测试病例是否属于 COVID-19。在一个由五家医院的 2,148 例 COVID-19 病例和 1,182 例 CAP 病例组成的大型多中心肺炎数据集上进行了实验，以评估所提出方法的性能。结果表明，与现有先进方法相比，我们提出的方法在 COVID-19 识别方面具有有效性和鲁棒性。
引用
@article{arxiv.2005.04043,
title = {Hypergraph Learning for Identification of COVID-19 with CT Imaging},
author = {Donglin Di and Feng Shi and Fuhua Yan and Liming Xia and Zhanhao Mo and Zhongxiang Ding and Fei Shan and Shengrui Li and Ying Wei and Ying Shao and Miaofei Han and Yaozong Gao and He Sui and Yue Gao and Dinggang Shen},
journal= {arXiv preprint arXiv:2005.04043},
year = {2020}
}