利用卷积神经网络改进计算机断层扫描中 COVID-19 自动分级：一项消融研究
图像与视频处理
2020-09-22 v1 计算机视觉与模式识别
摘要
在持续的大流行中，多项研究表明，使用计算机断层扫描（CT）图像的 COVID-19 分类和分级可通过卷积神经网络（CNNs）实现自动化。许多此类研究侧重于报告由常用组件组装而成的算法的初步结果。这些组件的选择往往是务实的而非系统的。例如，若干研究使用了 2D CNN，尽管这些可能并非处理 3D CT 体积的最优选择。本文确定了多种可提升基于 CNN 的 CT 图像 COVID-19 分级算法性能的组件。我们研究了使用 3D CNN 替代 2D CNN、使用迁移学习初始化网络、提供自动计算的病灶图作为额外网络输入，以及预测连续输出而非分类输出的有效性。具有这些组件的 3D CNN 在包含 105 例 CT 扫描的测试集上达到了 0.934 的 ROC 曲线下面积（AUC），在公开可用的 742 例 CT 扫描集上达到了 0.923 的 AUC，相较于先前发表的 2D CNN 有显著提升。一项消融研究表明，除使用 3D CNN 替代 2D CNN 外，迁移学习对模型性能提升贡献最大，而连续输出贡献最小。
引用
@article{arxiv.2009.09725,
title = {Improving Automated COVID-19 Grading with Convolutional Neural Networks in Computed Tomography Scans: An Ablation Study},
author = {Coen de Vente and Luuk H. Boulogne and Kiran Vaidhya Venkadesh and Cheryl Sital and Nikolas Lessmann and Colin Jacobs and Clara I. Sánchez and Bram van Ginneken},
journal= {arXiv preprint arXiv:2009.09725},
year = {2020}
}
备注
9 pages, 6 figures