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。
CT 重症度スコア (CTSS) ベースのスコアリング方法を使用して、CT スキャンで観察される肺病変の程度を特定します。
このホワイト ペーパーでは、画像処理アルゴリズムと事前トレーニング済みの UNET モデルを組み合わせて使用​​して、COVID-19 患者の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紹介します。
感染の深刻度は、Extreme Gradient Boosting、Extremely Randomized Trees、Support Vector Machine の 3 つの機械学習モデルのアンサンブルを使用して、さまざまなカテゴリに分類されます。
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評価され、64% のマクロ F1 スコアを達成しました。
これらの結果は、CT スキャンを使用した正確な COVID-19 診断のために、ドメイン知識と機械学習技術を組み合わせることの可能性を示しています。
重大度分析のために提案されたシステムの実装は、\textit{https://github.com/aanandt/Enhancing-COVID-19-Severity-Analysis-through-Ensemble-Methods.git } で入手できます。

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) based scoring method is used to identify the extent of lung involvement observed on a CT scan. This paper presents a domain knowledge-based pipeline for extracting regions of infection in COVID-19 patients using a combination of image-processing algorithms and a pre-trained UNET model. The severity of the infection is then classified into different categories using an ensemble of three machine-learning models: Extreme Gradient Boosting, Extremely Randomized Trees, and Support Vector Machine. The proposed system was evaluated on a validation dataset in the AI-Enabled Medical Image Analysis Workshop and COVID-19 Diagnosis Competition (AI-MIA-COV19D) and achieved a macro F1 score of 64%. These results demonstrate the potential of combining domain knowledge with machine learning techniques for accurate COVID-19 diagnosis using CT scans. The implementation of the proposed system for severity analysis is available at \textit{https://github.com/aanandt/Enhancing-COVID-19-Severity-Analysis-through-Ensemble-Methods.git }

arxiv情報

提供元, 利用サービス

arxiv.jp, Google