基于特征空间分块稀疏编码的胸部X射线图像COVID-19诊断

正在持续的COVID-19（2019冠状病毒病）大流行危机已经改变了世界。根据世界卫生组织（WHO）的数据，已有400万人死于该疾病，而COVID-19确诊病例超过1.8亿。许多国家卫生系统的崩溃表明，亟需开发从医学影像自动诊断该疾病的工具。先前的研究为此使用了深度学习。然而，该替代方案的性能高度依赖于用于训练算法的数据集规模。在本工作中，我们提出一种基于稀疏编码的分类框架，以识别与不同病理相关的肺炎模式。具体而言，每张胸部X射线（CXR）图像被划分为不同的图块。然后从PCA提取的最相关特征用于构建稀疏编码过程中的字典。一旦图像从字典元素被变换和重建，分类即基于与每张图像相关的各个块的重建误差进行。性能在一个真实场景中被评估，其中同时区分四种不同病理：对照 vs 细菌性肺炎 vs 病毒性肺炎 vs COVID-19。识别肺炎存在的准确率为93.85%，而在四分类情境下获得的准确率为88.11%。优异的结果以及稀疏编码在该场景下的开创性使用证明了该方法作为真实世界环境中临床医生辅助手段的适用性。