使用细节导向胶囊网络基于 CT 扫描的放射科医生级 COVID-19 检测
图像与视频处理
2020-04-17 v1 计算机视觉与模式识别
机器学习
摘要
影像学图像为 2019 冠状病毒病（COVID-19）患者的快速筛查与监测提供了一种替代方法。该方法受限于能够提供及时图像解读的放射科专家的短缺。受此挑战的推动，我们的论文提出了一种称为细节导向胶囊网络（DECAPS）的新型学习架构，用于从计算机断层扫描（CT）中自动诊断 COVID-19。我们的网络结合了胶囊网络的优势与若干旨在提升分类精度的架构改进。首先，DECAPS 使用一种反向动态路由机制，通过阻止非描述性区域的信息传递来增强模型稳定性。其次，DECAPS 采用一种 Peekaboo 训练过程，其使用两阶段块裁剪与丢弃策略来鼓励网络为每个目标概念生成激活图。网络随后利用激活图聚焦于感兴趣区域，并组合数据的粗粒度与细粒度表示。最后，我们使用基于条件生成对抗网络的数据增强方法来处理数据稀缺问题。我们的模型达到了 84.3% 的精确率、91.5% 的召回率以及 96.1% 的 ROC 曲线下面积，显著优于当前最优方法。我们将 DECAPS 模型与三位经验丰富、训练有素的胸部放射科医生的表现进行比较，并表明该架构显著优于他们。尽管需要在更大数据集上的进一步研究来确认这一发现，我们的结果意味着诸如 DECAPS 的架构可用于辅助放射科医生进行 CT 扫描介导的 COVID-19 诊断。
引用
@article{arxiv.2004.07407,
title = {Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks},
author = {Aryan Mobiny and Pietro Antonio Cicalese and Samira Zare and Pengyu Yuan and Mohammadsajad Abavisani and Carol C. Wu and Jitesh Ahuja and Patricia M. de Groot and Hien Van Nguyen},
journal= {arXiv preprint arXiv:2004.07407},
year = {2020}
}