面向 X 射线图像中 COVID-19 模式检测的高效深度学习方法
摘要
应对 COVID-19 大流行如今是人类最突出的挑战之一。减缓病毒传播的一个关键因素是感染患者的快速诊断与隔离。COVID-19 识别的标准方法——逆转录聚合酶链反应（RT-PCR）方法——耗时长，且因大流行而供应短缺。因此，研究人员一直在寻找替代筛查方法，而应用于患者胸部 X 射线的深度学习已显示出有前景的结果。尽管取得成功，这些方法的计算成本仍然较高，这给其可及性与可用性带来了困难。因此，本工作的主要目标是针对胸部 X 射线中 COVID-19 筛查问题，提出一种在内存与处理时间上准确且高效的方法。方法：为实现既定目标，我们利用并扩展了以高精度和低占用著称的 EfficientNet 深度人工神经网络系列，并将其应用于其他应用。我们还利用问题的底层分类法构建了分层分类器。一个包含 13,569 张 X 射线图像、分为健康、非 COVID-19 肺炎和 COVID-19 患者的数据集用于训练所提方法及其他 5 种竞争架构。最后，使用三个类别的 231 张图像来评估方法质量。结果：结果显示，所提方法能够生成高质量模型，总体准确率 93.9%，COVID-19 灵敏度 96.8%，阳性预测值 100%，同时参数量比其他被测架构少 5 到 30 倍。在断言深度学习可辅助医师检测 X 射线中的 COVID-19 之前，仍需要更大且更异质的数据集进行验证。
引用
@article{arxiv.2004.05717,
title = {Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images},
author = {Eduardo Luz and Pedro Lopes Silva and Rodrigo Silva and Ludmila Silva and Gladston Moreira and David Menotti},
journal= {arXiv preprint arXiv:2004.05717},
year = {2021}
}
备注
This is a preprint of an article published in Research on Biomedical Engineering. The final authenticated version is available online at https://doi.org/10.1007/s42600-021-00151-6