基于简单二维卷积神经网络的 COVID-19 检测方法
图像与视频处理
2024-03-19 v1 计算机视觉与模式识别
机器学习
摘要
本研究探讨了利用深度学习技术分析肺部计算机断层扫描 (CT) 图像。经典的深度学习方法面临着 CT 图像中切片数量和分辨率各异带来的挑战，这种多样性源于不同扫描设备的使用。通常，预测是在单个切片上进行的，然后将其合并以获得综合结果。然而，这种方法没有结合学习每个切片特有的特征，导致有效性受损。为了应对这些挑战，我们提出了一种专门针对 CT 扫描量身定制的先进空间-切片特征学习 (SSFL++) 框架。它旨在过滤整个 CT 扫描中的分布外 (OOD) 数据，通过将数据冗余减少 70% 来选择用于分析的基本空间-切片特征。此外，我们引入了一种基于核密度的切片采样 (KDS) 方法，以增强训练和推理阶段的稳定性，从而加速收敛并提升整体性能。值得注意的是，我们的实验表明，我们的模型仅用简单的 EfficientNet-2D (E2D) 模型就取得了有前景的结果。我们方法的有效性在 DEF-AI-MIA 工作坊提供的 COVID-19-CT-DB 数据集上得到了证实。
引用
@article{arxiv.2403.11230,
title = {Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection},
author = {Chih-Chung Hsu and Chia-Ming Lee and Yang Fan Chiang and Yi-Shiuan Chou and Chih-Yu Jiang and Shen-Chieh Tai and Chi-Han Tsai},
journal= {arXiv preprint arXiv:2403.11230},
year = {2024}
}