JCS：一种通过联合分类与分割实现可解释 COVID-19 诊断的系统
图像与视频处理
2021-08-04 v3 计算机视觉与模式识别
机器学习
摘要
近来，2019冠状病毒病（COVID-19）已在超过200个国家引发大流行，影响数十亿人。为控制传染，识别并隔离感染者是最关键的一步。主要诊断工具是逆转录聚合酶链反应（RT-PCR）检测。然而，RT-PCR 检测的灵敏度不足以有效防止大流行。胸部 CT 扫描检测为 RT-PCR 检测提供了有价值的补充工具，且能以高灵敏度识别早期患者。但胸部 CT 扫描检测通常耗时，每例约需 21.5 分钟。本文开发了一种新颖的联合分类与分割（JCS）系统，用于实时、可解释的 COVID-19 胸部 CT 诊断。为训练我们的 JCS 系统，我们构建了大规模 COVID-19 分类与分割（COVID-CS）数据集，包含 400 名 COVID-19 患者与 350 名未感染病例的 144,167 张胸部 CT 图像。其中 200 名患者的 3,855 张胸部 CT 图像标注了磨玻璃影（即肺实质衰减增加的细粒度像素级标签）。我们还标注了病灶数量、磨玻璃影区域与位置，从而惠及多方面诊断。大量实验表明，所提 JCS 诊断系统对 COVID-19 分类与分割非常有效。其在分类测试集上获得平均灵敏度 95.0% 与特异度 93.0%，在 COVID-CS 数据集分割测试集上获得 78.5% 的 Dice 分数。COVID-CS 数据集与代码见 https://github.com/yuhuan-wu/JCS。
引用
@article{arxiv.2004.07054,
title = {JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation},
author = {Yu-Huan Wu and Shang-Hua Gao and Jie Mei and Jun Xu and Deng-Ping Fan and Rong-Guo Zhang and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:2004.07054},
year = {2021}
}
备注
To appear in IEEE Transactions on Image Processing. Dataset and code are available at https://github.com/yuhuan-wu/JCS