基于Gabor集成的新冠肺炎CT深度学习模型泛化性系统研究及肺受累评分
计算机视觉与模式识别
2021-06-01 v1 机器学习
图像与视频处理
摘要
新冠肺炎大流行激发了全球范围内前所未有的数据收集和计算机视觉建模工作，重点是从医学影像中对新冠肺炎进行诊断和分层。尽管有如此大规模的研究努力，这些模型的实际应用有限，部分原因是这些模型在源研究之外的泛化能力未得到证实。本研究利用公开可用的新冠肺炎计算机断层扫描数据，通过跨数据集验证考察了关键已发表模型的泛化性。随后，我们使用一个按新冠肺炎肺受累分层的独立新数据集评估这些模型对新冠肺炎严重程度的预测能力。每个跨数据集研究均使用直方图均衡化，以及带与不带学习型Gabor滤波器的对比度受限自适应直方图均衡化进行。研究表明，由于样本图像来源和采集过程等多种因素的差异，在这些数据集上训练的模型泛化性存在高度变异性。我们表明，在特定条件下，尽管数据集间存在结构差异，内部一致的数据集可很好地泛化到外部数据集，f1分数高达86%。我们性能最佳的模型对具有专家标注肺受累分层的独立数据集显示出较高的肺受累评分预测准确度。使用min-max函数将我们用于疾病阳性预测的最佳模型与用于疾病阴性预测的最佳模型集成，得到了更优的肺受累预测模型，其对零肺受累的平均预测准确度为75%，对75-100%肺受累为96%，且这些分层间呈近乎线性关系。
引用
@article{arxiv.2105.15094,
title = {Systematic investigation into generalization of COVID-19 CT deep learning models with Gabor ensemble for lung involvement scoring},
author = {Michael J. Horry and Subrata Chakraborty and Biswajeet Pradhan and Maryam Fallahpoor and Chegeni Hossein and Manoranjan Paul},
journal= {arXiv preprint arXiv:2105.15094},
year = {2021}
}
备注
39 Pages, 8 figures, 14 tables comparing the generalization of COVID-19 CT Deep Learning Models