基于感染尺寸感知分类的 COVID-19 与社区获得性肺炎大规模筛查
图像与视频处理
2021-03-01 v1 计算机视觉与模式识别
机器学习
摘要
冠状病毒病(COVID-19)的全球蔓延已成为对全球公共卫生的威胁性风险。快速准确地从社区获得性肺炎(CAP)中筛查出 COVID-19 患者至关重要。本研究中,共计 1658 名 COVID-19 患者与 1027 名 CAP 患者接受了薄层 CT 检查。所有图像经预处理以获得感染区域与肺野的分割,并用于提取位置特异性特征。提出了一种感染尺寸感知随机森林方法(iSARF),将受试者自动分类至不同感染病灶尺寸范围的组别,随后在各组内使用随机森林进行分类。实验结果显示,所提方法在五折交叉验证下获得了 0.907 的灵敏度、0.833 的特异度与 0.879 的准确率。相较于对比方法取得了较大的性能优势,尤其在感染尺寸中等(0.01% 至 10%)的病例中。进一步纳入 Radiomics 特征显示有轻微提升。期望我们所提出的框架能辅助临床决策。
引用
@article{arxiv.2003.09860,
title = {Large-Scale Screening of COVID-19 from Community Acquired Pneumonia using Infection Size-Aware Classification},
author = {Feng Shi and Liming Xia and Fei Shan and Dijia Wu and Ying Wei and Huan Yuan and Huiting Jiang and Yaozong Gao and He Sui and Dinggang Shen},
journal= {arXiv preprint arXiv:2003.09860},
year = {2021}
}