基于二维卷积神经网络与肺部 CT 扫描的磨玻璃影严重程度分类：一项为期三天的探索
图像与视频处理
2023-04-03 v2 计算机视觉与模式识别
机器学习
摘要
磨玻璃影是众多肺部疾病的标志，包括 COVID-19 与肺炎、肺纤维化和结核病患者。本简短笔记展示了概念验证框架的实验结果，该框架在由 2023 年 IEEE 国际声学、语音与信号处理会议(ICASSP 2023)的 AI 赋能医学图像分析研讨会主办的题为“COVID-19 竞赛”的第三轮挑战赛驱动下，于三天内实现并测试。使用新建的虚拟环境（创建于 2023 年 3 月 17 日），我们研究了多种预训练的二维卷积神经网络(CNN)，如密集神经网络、残差神经网络(ResNet)和 Vision Transformers，以及微调的程度。基于实证实验，我们选择使用 ADAM 优化算法以所有 CNN 架构标准学习率 0.001 进行微调，并在验证损失达到平稳时应用早停。对于每个训练的 CNN，训练期间取得最佳验证准确率的模型状态被保存，随后重新加载用于对挑战组织者提供的验证集中未见过样本的新分类。根据组织者，少数这些 2D CNN 产生的性能可与结合 ResNet 和循环神经网络(门控循环单元)的架构相媲美。作为挑战要求的一部分，此练习期间产生的源代码发布于 https://github.com/lisatwyw/cov19。我们也希望其他研究人员会发现这个基于 PyTorch 1.13.1 和 TorchVision 0.14.1、由少量 Python 文件组成的轻量原型易于上手。
引用
@article{arxiv.2303.16904,
title = {Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration},
author = {Lisa Y. W. Tang},
journal= {arXiv preprint arXiv:2303.16904},
year = {2023}
}