基于迁移学习能力的胸透X射线图像肺炎分类研究
图像与视频处理
2022-04-26 v2 计算机视觉与模式识别
摘要
在过去一年中，严重急性呼吸综合征冠状病毒-2（SARS-CoV-2）及其变体凸显了针对COVID-19等新疾病具有高诊断准确性的筛查工具的重要性。在这方面，深度学习方法已被证明是肺炎分类的有效解决方案，特别是在考虑胸部X射线图像时。然而，这种肺部感染也可能由其他病毒、细菌或真菌病原体引起。因此，人们正努力区分感染源以帮助临床医生诊断正确的疾病起源。遵循这一趋势，本研究通过迁移学习范式进一步探索了已有神经网络架构在肺炎分类任务上的有效性。为给出全面比较，我们对12个著名的ImageNet预训练模型进行微调，并用于区分健康人以及表现出由病毒（即普通或SARS-CoV-2）或细菌源引起的肺炎症状的胸部X射线图像。此外，由于目前尚无区分此类类别的公开常用数据集，我们将描述上述来源的两个不同胸部X射线图像数据集合并并用于评估各种架构。实验使用总共6330张图像在训练、验证和测试集之间划分进行。对于所有模型，计算了常用分类指标（例如精确率、f1-score），并且大多数架构取得了显著性能，在区分所识别的4个类别时最高达到84.46%的平均f1-score。此外，还报告了通过Grad-CAM算法计算的混淆矩阵和激活图，以对网络分类进行有据讨论。
引用
@article{arxiv.2110.02780,
title = {Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image},
author = {Danilo Avola and Andrea Bacciu and Luigi Cinque and Alessio Fagioli and Marco Raoul Marini and Riccardo Taiello},
journal= {arXiv preprint arXiv:2110.02780},
year = {2022}
}