基于多特征多尺度 CNN 的肺超声数据 COVID-19 分类
图像与视频处理
2021-12-21 v1
摘要
2019 年新型冠状病毒病（COVID-19）的全球大流行给医疗系统带来了巨大压力。影像在 COVID-19 患者管理中起着补充作用。计算机断层扫描（CT）和胸部 X 光（CXR）是两种主要的筛查工具。然而，难以消除疾病传播风险、辐射暴露以及成本效益不高是 CT 和 CXR 影像面临的一些挑战。这一事实促使了肺超声（LUS）用于评估 COVID-19，因其具有无创、可重复和床旁敏感等实际优势。在本文中，我们利用深度学习模型从 LUS 数据中进行 COVID-19 分类，可为临床医生提供客观诊断信息。具体而言，所有 LUS 图像在输入多尺度残差卷积神经网络（CNN）之前，均经处理获得其对应的局部相位滤波图像和径向对称变换图像。其次，采用图像组合作为网络输入以挖掘丰富可靠的特征。在不同层次采用特征融合策略，以探究特征聚合深度与分类精度之间的关系。我们所提方法在点照护超声（POCUS）数据集及意大利 COVID-19 肺超声数据库（ICLUS-DB）上进行评估，显示出对 COVID-19 预测的 promising 性能。
引用
@article{arxiv.2102.11942,
title = {Multi-Feature Multi-Scale CNN-Derived COVID-19 Classification from Lung Ultrasound Data},
author = {Hui Che and Jared Radbel and Jag Sunderram and John L. Nosher and Vishal M. Patel and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2102.11942},
year = {2021}
}