Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images

要約

この論文は、ガウス混合モデルを使用して、畳み込みニューラルネットワークから学習した特徴の分布をエンコードすることを提案します。
GMM-CNNと呼ばれるこれらのパラメトリック機能は、2019年コロナウイルス病患者の胸部コンピュータ断層撮影とX線スキャンから得られます。提案されたGMM-CNN機能を、ランダムフォレストに基づく堅牢な分類器への入力として使用してCOVID-を区別します。
19および他の肺炎の場合。
私たちの実験では、テスト画像の標準CNN分類と比較したGMM-CNN機能の利点を評価します。
ランダムフォレスト分類器（トレーニング用に80 \％サンプル、テスト用に20 \％サンプル）を使用して、2つの混合コンポーネントでエンコードされたGMM-CNN機能は、標準のCNN分類よりも大幅に優れたパフォーマンスを提供しました（p \、$ <$ \、0.05） 。 具体的には、私たちの方法は、96.00 \、-\、96.70 \％の範囲の精度と、99.29 \、-\、99.45 \％の範囲のROC曲線の下の領域を達成し、組み合わせることによって得られる最高のパフォーマンスを実現しました。 コンピュータ断層撮影とX線画像の両方からのGMM-CNN機能。 我々の結果は、提案されたGMM-CNN機能が胸部コンピュータ断層撮影およびX線スキャンにおけるCOVID-19の予測を改善する可能性があることを示唆しています。

要約(オリジナル)

This paper proposes to encode the distribution of features learned from a convolutional neural network using a Gaussian Mixture Model. These parametric features, called GMM-CNN, are derived from chest computed tomography and X-ray scans of patients with Coronavirus Disease 2019. We use the proposed GMM-CNN features as input to a robust classifier based on random forests to differentiate between COVID-19 and other pneumonia cases. Our experiments assess the advantage of GMM-CNN features compared to standard CNN classification on test images. Using a random forest classifier (80\% samples for training; 20\% samples for testing), GMM-CNN features encoded with two mixture components provided a significantly better performance than standard CNN classification (p\,$<$\,0.05). Specifically, our method achieved an accuracy in the range of 96.00\,--\,96.70\% and an area under the ROC curve in the range of 99.29\,--\,99.45\%, with the best performance obtained by combining GMM-CNN features from both computed tomography and X-ray images. Our results suggest that the proposed GMM-CNN features could improve the prediction of COVID-19 in chest computed tomography and X-ray scans.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google