基于多中心胸部 CT 扫描数据集的 COVID-19 鲁棒识别框架
图像与视频处理
2022-08-01 v3 计算机视觉与模式识别
机器学习
摘要
本研究旨在开发一种鲁棒的基于深度学习的框架，以根据不同成像中心采用不同协议和辐射剂量获取的胸部 CT 扫描区分 COVID-19、社区获得性肺炎 (CAP) 和正常病例。我们表明，尽管我们提出的模型仅在仅由一个成像中心使用特定扫描协议获取的较小数据集上训练，该模型在由多台扫描仪使用不同技术参数获得的异质测试集上表现良好。我们还表明，该模型可通过无监督方法更新，以应对训练与测试集之间的数据偏移，并在接收到来自不同中心的新的外部数据集时增强模型的鲁棒性。我们采用集成架构聚合模型多个版本的预测。为初始训练与开发，使用了一个包含 171 例 COVID-19、60 例 CAP 和 76 例正常病例的院内数据集，其包含由一个成像中心使用恒定标准辐射剂量扫描协议获取的体积 CT 扫描。为评估模型，我们回顾性收集了四个不同的测试集以研究数据特征偏移对模型性能的影响。测试病例中包含与训练集特征相似的 CT 扫描，以及含噪低剂量和超低剂量 CT 扫描。此外，部分测试 CT 扫描来自有心血管疾病或手术史的患者。本研究使用的整个测试数据集包含 51 例 COVID-19、28 例 CAP 和 51 例正常病例。实验结果表明，我们提出的框架在所有测试集上表现良好，总准确率达 96.15% (95%CI: [91.25-98.74])，COVID-19 灵敏度为 96.08% (95%CI: [86.54-99.5])，CAP 灵敏度为 92.86% (95%CI: [76.50-99.19])。
引用
@article{arxiv.2109.09241,
title = {Robust Framework for COVID-19 Identification from a Multicenter Dataset of Chest CT Scans},
author = {Sadaf Khademi and Shahin Heidarian and Parnian Afshar and Nastaran Enshaei and Farnoosh Naderkhani and Moezedin Javad Rafiee and Anastasia Oikonomou and Akbar Shafiee and Faranak Babaki Fard and Konstantinos N. Plataniotis and Arash Mohammadi},
journal= {arXiv preprint arXiv:2109.09241},
year = {2022}
}