Enhancing COVID-19 Severity Analysis through Ensemble Methods

要約

コンピューター断層撮影 (CT) スキャンは、肺の詳細な画像を提供し、臨床医が COVID-19 によって引き起こされた損傷の程度を観察できるようにします。
COVID-19 の CT 重症度スコア (CTSS) は、CT スキャンで観察される肺病変の程度に基づいて分類できます。
このホワイト ペーパーでは、さまざまな画像処理アルゴリズムと事前トレーニング済みの UNET モデルを使用して、感染領域を抽出するためのドメイン知識ベースのパイプラインを提案します。
ランダム フォレスト (RF)、エクストリーム ランダム ツリー (ERT)、およびサポート ベクター マシン (SVM) の 3 つの機械学習モデルのアンサンブルを使用して、CT スキャンをさまざまな重大度クラスに分類します。
提案されたシステムは、AI 対応医用画像解析ワークショップおよび COVID-19 診断コンペティション (AI-MIA-COV19D) の検証データセットで 57.47% のマクロ F1 スコアを達成しました。

要約(オリジナル)

Computed Tomography (CT) scans provide a detailed image of the lungs, allowing clinicians to observe the extent of damage caused by COVID-19. The CT severity score (CTSS) of COVID-19 can be categorized based on the extent of lung involvement observed on a CT scan. This paper proposes a domain knowledge-based pipeline to extract the infection regions using diverse image-processing algorithms and a pre-trained UNET model. An ensemble of three machine-learning models, Random Forest (RF), Extremely Randomized Trees (ERT), and Support Vector Machine (SVM), is employed to classify the CT scans into different severity classes. The proposed system achieved a macro F1 score of 57.47% on the validation dataset in the AI-Enabled Medical Image Analysis Workshop and COVID-19 Diagnosis Competition (AI-MIA-COV19D).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google