Deep Learning Based Automated COVID-19 Classification from Computed Tomography Images

要約

この論文は、画像前処理とハイパーパラメータ調整を使用した画像分類のための畳み込みニューラルネットワーク（CNN）モデルの方法を表しており、より深く、したがってより複雑な代替案を回避しながら、COVID-19診断の予測パフォーマンスを向上させることを目的としています。
まず、CNNモデルには、4つの類似した畳み込み層が含まれ、その後に平坦化と2つの密な層が続きます。
この作業は、CNNモデルを使用してCTスキャンの2Dスライスを単純に分類することに基づくより複雑でないソリューションを提案します。
アーキテクチャが単純であるにもかかわらず、提案されたCNNモデルは、マクロF1スコアに関して、画像のデータセットで最先端を超える改善された定量的結果を示しました。
結果は、データセットの元のCTスライスで達成されました。
次に、元のデータセットは、解剖学的構造に関連するスライスのマスキング、CTボリュームからの非代表的なスライスの削除、およびハイパーパラメータの調整によって処理されました。
スライス処理では、固定サイズの長方形の領域を使用して、画像内の解剖学的関連の関心領域をトリミングし、2値化されたスライスの白いピクセル数に基づくしきい値を使用して、3Dから非代表的なスライスを削除しました。
CTスキャン。
指数関数的減衰とスライスフリッピング技術を備えた学習率スケジュールを備えたCNNモデルが、処理されたスライスに展開されました。
提案された方法は、2Dスライスの予測を行うために使用されました。
患者レベルでの最終診断では、診断を行うために各CTスキャンのスライスに多数決が適用されました。
提案された方法のマクロF1スコアは、検証セットおよびCOV19-CT-DBデータセットパーティションからの以前に表示されなかった画像のテストパーティションで、ベースラインアプローチおよび他の代替案のスコアをはるかに上回りました。

要約(オリジナル)

The paper represents a method of a Convolution Neural Networks (CNN) model for image classification with image preprocessing and hyperparameters tuning, aiming at increasing the predictive performance for COVID-19 diagnosis while avoiding deeper and thus more complex alternatives. Firstly, the CNN model includes four similar convolutional layers followed by a flattening and two dense layers. This work proposes a less complex solution based on simply classifying 2D slices of CT scans using a CNN model. Despite the simplicity in architecture, the proposed CNN model showed improved quantitative results exceeding state-of-the-arts on the dataset of images, in terms of the macro F1 score. The results were achieved on the original CT slices of the dataset. Secondly, the original dataset was processed via anatomy-relevant masking of slices, removing non-representative slices from the CT volume, and hyperparameters tuning. For slice processing, a fixed-sized rectangular area was used for cropping an anatomy-relevant region of interest in the images, and a threshold based on the number of white pixels in binarized slices was employed to remove non-representative slices from the 3D-CT scans. The CNN model with a learning rate schedule with exponential decay and slice flipping techniques was deployed on the processed slices. The proposed method was used to make predictions on the 2D slices. For final diagnosis at a patient level, majority voting was applied on the slices of each CT scan to make the diagnosis. The macro F1 score of the proposed method well exceeded the baseline approach and other alternatives’ scores on the validation set as well as on a test partition of the previously unseen images from the COV19-CT-DB dataset partition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google