Adaptive GLCM sampling for transformer-based COVID-19 detection on CT

要約

この2年間、世界はCOVID-19（SARS-CoV-2）に苦しめられ、人々の日常生活に多くの被害と変化をもたらしています。そこで、胸部コンピュータ断層撮影（CT）スキャン上で深層学習を活用したCOVID-19の自動検出が有望視され、正しい診断を効率的に行うことができるようになりました。近年、CTボリューム内の3次元情報を利用した変換器ベースのCOVID-19検出手法が提案されています。しかし，スライスを選択するためのサンプリング方法が最適とは言い難い．本研究では，CT 画像の豊富な3 次元情報を活用するため，グレーレベル共分散行列（GLCM）を用いた新しいデータキュレーションと適応的なサンプリング手法を用いた変換器ベースのCOVID-19 検出法を提案する．CNN層と変換器からなるモデルを学習するために、まず肺のセグメンテーションに基づくデータキュレーションを行い、CTボリューム中の各スライスのGLCM値のエントロピーを利用して、予測のために重要なスライスを選択する。その結果、提案手法により、難しいモデル変更を行うことなく、大きなマージンをもって検出性能を向上させることができた。

要約(オリジナル)

The world has suffered from COVID-19 (SARS-CoV-2) for the last two years, causing much damage and change in people’s daily lives. Thus, automated detection of COVID-19 utilizing deep learning on chest computed tomography (CT) scans became promising, which helps correct diagnosis efficiently. Recently, transformer-based COVID-19 detection method on CT is proposed to utilize 3D information in CT volume. However, its sampling method for selecting slices is not optimal. To leverage rich 3D information in CT volume, we propose a transformer-based COVID-19 detection using a novel data curation and adaptive sampling method using gray level co-occurrence matrices (GLCM). To train the model which consists of CNN layer, followed by transformer architecture, we first executed data curation based on lung segmentation and utilized the entropy of GLCM value of every slice in CT volumes to select important slices for the prediction. The experimental results show that the proposed method improve the detection performance with large margin without much difficult modification to the model.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL