Probabilistic combination of eigenlungs-based classifiers for COVID-19 diagnosis in chest CT images

要約

COVID-19 (コロナウイルス病 2019) パンデミックの発生は、世界を変えました。
世界保健機関 (WHO) によると、COVID-19 の確定症例は 1 億件を超え、そのうち 240 万人以上が死亡しています。
病気の早期発見は非常に重要であり、胸部 X 線 (CXR) や胸部コンピューター断層撮影 (CCT) などの医用画像の使用が優れた解決策であることが証明されています。
ただし、このプロセスでは臨床医が手作業で時間のかかる作業を行う必要があり、診断をスピードアップしようとする場合には理想的ではありません。
この作業では、分類の信頼性に関する情報を提供しながら肺炎のパターンを識別するために、確率論的サポート ベクター マシン (SVM) に基づくアンサンブル分類子を提案します。
具体的には、各 CCT スキャンを立方体パッチに分割し、カーネル PCA を適用してそれぞれに含まれる特徴を抽出します。
アンサンブル内で基本分類器を使用すると、サイズや場所に関係なく、システムで肺炎のパターンを識別できます。
個々のパッチの決定は、個々の分類の信頼性に従ってグローバルなものに結合されます。不確実性が低いほど、貢献度が高くなります。
パフォーマンスは実際のシナリオで評価され、97.86% の精度が得られます。
得られた大きなパフォーマンスとシステムのシンプルさ (CCT 画像でディープ ラーニングを使用すると、膨大な計算コストが発生します) は、現実世界の環境での提案の適用可能性を証明します。

要約(オリジナル)

The outbreak of the COVID-19 (Coronavirus disease 2019) pandemic has changed the world. According to the World Health Organization (WHO), there have been more than 100 million confirmed cases of COVID-19, including more than 2.4 million deaths. It is extremely important the early detection of the disease, and the use of medical imaging such as chest X-ray (CXR) and chest Computed Tomography (CCT) have proved to be an excellent solution. However, this process requires clinicians to do it within a manual and time-consuming task, which is not ideal when trying to speed up the diagnosis. In this work, we propose an ensemble classifier based on probabilistic Support Vector Machine (SVM) in order to identify pneumonia patterns while providing information about the reliability of the classification. Specifically, each CCT scan is divided into cubic patches and features contained in each one of them are extracted by applying kernel PCA. The use of base classifiers within an ensemble allows our system to identify the pneumonia patterns regardless of their size or location. Decisions of each individual patch are then combined into a global one according to the reliability of each individual classification: the lower the uncertainty, the higher the contribution. Performance is evaluated in a real scenario, yielding an accuracy of 97.86%. The large performance obtained and the simplicity of the system (use of deep learning in CCT images would result in a huge computational cost) evidence the applicability of our proposal in a real-world environment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google