2D and 3D CNN-Based Fusion Approach for COVID-19 Severity Prediction from 3D CT-Scans

要約

2019 年後半に Covid-19 が出現して以来、Covid-19 は人工知能 (AI) コミュニティの活発な研究テーマになっています。
最も興味深い AI トピックの 1 つは、医用画像の Covid-19 分析です。
CT スキャン イメージングは​​、この疾患に関する最も有益なツールです。
この作業は、Covid-19 Severity Prediction の第 3 回 COV19D コンペティションの一部です。
このコンペティションの前のバージョンで示された検証結果とテスト結果の間の大きなギャップに対処するために、2D と 3D CNN 予測の予測を組み合わせることを提案しました。
2D CNN アプローチでは、2B-InceptResnet アーキテクチャを提案します。これは、セグメント化された肺と入力 CT スキャンのすべてのスライスの感染のための 2 つのパスでそれぞれ構成されます。
各パスは、ConvLayer と ImageNet 上の Inception-ResNet 事前トレーニング済みモデルで構成されます。
3D CNN アプローチでは、Stem、4 つの 3D-ResNet 層、分類ヘッド、決定層の 4 つのブロックで構成されるハイブリッド DeCoVNet アーキテクチャを提案します。
私たちが提案したアプローチは、Covid-19 Severity Prediction の第 3 回 COV19D コンテストの検証データで、ベースライン アプローチよりも 36% 優れていました。

要約(オリジナル)

Since the appearance of Covid-19 in late 2019, Covid-19 has become an active research topic for the artificial intelligence (AI) community. One of the most interesting AI topics is Covid-19 analysis of medical imaging. CT-scan imaging is the most informative tool about this disease. This work is part of the 3nd COV19D competition for Covid-19 Severity Prediction. In order to deal with the big gap between the validation and test results that were shown in the previous version of this competition, we proposed to combine the prediction of 2D and 3D CNN predictions. For the 2D CNN approach, we propose 2B-InceptResnet architecture which consists of two paths for segmented lungs and infection of all slices of the input CT-scan, respectively. Each path consists of ConvLayer and Inception-ResNet pretrained model on ImageNet. For the 3D CNN approach, we propose hybrid-DeCoVNet architecture which consists of four blocks: Stem, four 3D-ResNet layers, Classification Head and Decision layer. Our proposed approaches outperformed the baseline approach in the validation data of the 3nd COV19D competition for Covid-19 Severity Prediction by 36%.

arxiv情報

著者 Fares Bougourzi,Fadi Dornaika,Amir Nakib,Cosimo Distante,Abdelmalik Taleb-Ahmed
発行日 2023-03-15 16:27:49+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, eess.IV パーマリンク