Deep reproductive feature generation framework for the diagnosis of COVID-19 and viral pneumonia using chest X-ray images

要約

タイトル：胸部X線画像を用いたCOVID-19およびウイルス性肺炎の診断のためのディープリプロダクティブ機能生成フレームワーク

要約：
– COVID-19症例の迅速かつ正確な検出は、タイムリーな治療と病気の拡散を防止するために重要です。
– 本研究では、胸部X線をベースに患者の健康状態（COVID-19、正常、ウイルス性肺炎）を判断するために、8つの最新の事前に学習された深層畳み込みニューラルネットワーク（CNN）とオートエンコーダを使用する2段階の特徴抽出フレームワークが提案されました。
– X線スキャンは4つの同じサイズのセクションに分割され、深い前処理されたCNNによって分析されます。その後、隠れ層が3つあるオートエンコーダをトレーニングして、CNNの連結出力からリプロダクティブ機能を抽出します。
– 提案されたフレームワークの性能を評価するために、3つの異なる分類器（単一層パーセプトロン（SLP）、多層パーセプトロン（MLP）、およびサポートベクターマシン（SVM））が使用されます。さらに、深いCNNアーキテクチャはベンチマークモデルを作成し、同じデータセットでトレーニングされ、比較されます。
– 提案されたフレームワークは、事前学習された特徴抽出器を使用した他のフレームワークよりも二値分類で優れた性能を示し、3クラス分類でも競争力のある結果を示します。この方法は、タスクに独立し、さまざまな問題に対処するために適しています。
– 結果は、識別的な機能がリプロダクティブ機能のサブセットであることを示しており、タスクベースの機能の抽出よりもタスクに非依存的な機能の抽出が優れていることを示唆しています。リプロダクティブ機能の柔軟性とタスクに独立性は、コンセプチブ情報アプローチをより好適にします。
– この提案方法は、医療画像データの分析に向けた新しい方法であり、有望な結果を示しています。

要約(オリジナル)

The rapid and accurate detection of COVID-19 cases is critical for timely treatment and preventing the spread of the disease. In this study, a two-stage feature extraction framework using eight state-of-the-art pre-trained deep Convolutional Neural Networks (CNNs) and an autoencoder is proposed to determine the health conditions of patients (COVID-19, Normal, Viral Pneumonia) based on chest X-rays. The X-ray scans are divided into four equally sized sections and analyzed by deep pre-trained CNNs. Subsequently, an autoencoder with three hidden layers is trained to extract reproductive features from the concatenated ouput of CNNs. To evaluate the performance of the proposed framework, three different classifiers, which are single-layer perceptron (SLP), multi-layer perceptron (MLP), and support vector machine (SVM) are used. Furthermore, the deep CNN architectures are used to create benchmark models and trained on the same dataset for comparision. The proposed framework outperforms other frameworks wih pre-trained feature extractors in binary classification and shows competitive results in three-class classification. The proposed methodology is task-independent and suitable for addressing various problems. The results show that the discriminative features are a subset of the reproductive features, suggesting that extracting task-independent features is superior to the extraction only task-based features. The flexibility and task-independence of the reproductive features make the conceptive information approach more favorable. The proposed methodology is novel and shows promising results for analyzing medical image data.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI