基于资源高效深度特征提取的快速肺超声COVID-19严重程度评分
图像与视频处理
2022-07-25 v1 计算机视觉与模式识别
摘要
基于人工智能的肺超声成像分析已被证明是COVID-19大流行期间快速诊断决策支持的有效技术。然而，此类技术可能需要数天或数周的训练过程和超参数调优来开发智能深度学习图像分析模型。本工作专注于利用“现成”的预训练模型作为深度特征提取器，以最少的训练时间进行疾病严重程度评分。我们提出在简单紧凑的神经网络之前使用现有方法的预训练初始化，以减少对计算能力的依赖。这种计算能力的降低在时间有限或资源受限的情况下（例如大流行早期）至关重要。在一个包含49名患者、超过20,000张图像的数据集上，我们证明使用现有方法作为特征提取器可有效分类COVID-19相关肺炎严重程度，同时仅需数分钟训练时间。我们的方法在4级严重程度评分尺度上可达到超过0.93的准确率，并提供与专家标注地面真实值相当的逐患者区域和全局评分。这些结果展示了此类最小适配方法在COVID-19患者临床实践中的快速部署和使用能力，用于进展监测、患者分层和管理，并可能应用于其他呼吸道疾病。
引用
@article{arxiv.2207.10998,
title = {Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction},
author = {Pierre Raillard and Lorenzo Cristoni and Andrew Walden and Roberto Lazzari and Thomas Pulimood and Louis Grandjean and Claudia AM Gandini Wheeler-Kingshott and Yipeng Hu and Zachary MC Baum},
journal= {arXiv preprint arXiv:2207.10998},
year = {2022}
}
备注
Accepted to ASMUS 2022 Workshop at MICCAI