基于新型深度视觉词袋特征分类胸片以诊断 COVID-19
图像与视频处理
2021-06-22 v2 计算机视觉与模式识别
机器学习
摘要
由于严重急性呼吸综合征冠状病毒 2（COVID-19）感染会在肺部引起类肺炎效应，胸片检查有助于诊断该疾病。对于图像的自动分析，机器以一组语义特征表示图像。深度学习（DL）模型被广泛用于从图像中提取特征。通用深度特征可能不适合表示胸片，因为其语义区域较少。尽管基于视觉词袋（BoVW）的特征已被证明更适用于 X 射线类图像，但现有 BoVW 特征可能无法捕获足够信息以区分 COVID-19 感染与其他肺炎相关感染。本文中，我们提出一种基于深度特征的新 BoVW 方法，称为深度视觉词袋（BoDVW），其去除了特征图归一化步骤，并在原始特征图上增加深度特征归一化步骤。这有助于保留每个特征图的语义，其中可能含有区分 COVID-19 与肺炎的重要线索。我们使用支持向量机（SVM）在胸片分类中评估所提 BoDVW 特征以诊断 COVID-19。在一个公开可用的 COVID-19 X 射线数据集上的结果表明，与最先进的方法相比，我们的特征在更短的计算时间内产生了稳定且突出的分类准确率，特别是区分 COVID-19 感染与其他肺炎。因此，我们的方法可成为大规模快速诊断 COVID-19 患者的非常有用的工具。
引用
@article{arxiv.2012.15413,
title = {New Bag of Deep Visual Words based features to classify chest x-ray images for COVID-19 diagnosis},
author = {Chiranjibi Sitaula and Sunil Aryal},
journal= {arXiv preprint arXiv:2012.15413},
year = {2021}
}
备注
Submitted to Health Information Science and Systems (Springer) for review