A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization

要約

新型コロナウイルス感染症（COVID-19）のパンデミックは、世界中の数十億人に深刻な影響を与えています。
急速な蔓延と重度の呼吸器への影響により、公衆衛生と医療制度に課題をもたらします。
新型コロナウイルス感染症のパンデミックを緩和する効果的な戦略には、感染者を特定するための統合検査が含まれます。
RT-PCR は新型コロナウイルス感染症 (COVID-19) を診断するためのゴールドスタンダードと考えられていますが、偽陰性のリスクなどのいくつかの制限があります。
この問題に対処するために、この論文では、アンサンブル学習フレームワーク内に事前トレーニング済みの深層畳み込みニューラル ネットワーク (DCNN) を統合し、胸部 X 線 (CXR) 画像から新型コロナウイルス感染症の症例を正確に特定する新しい深層学習診断システムを紹介します。
Choquet 積分を使用して、事前トレーニングされた DCNN の最終隠れ層からの特徴ベクトルを結合し、線形アプローチでは不可能な異なる DCNN 間の相互作用を捕捉します。
Sugeno-$\lambda$ 測定理論を使用して、ネットワークのサブセットに対するファジー測定を導き出し、集約を可能にしました。
ファジー密度を推定するために微分進化を利用しました。
特徴ベクトルの集約には複雑さが伴うため、効率的な集約を促進するために、Choquet 操作用の TensorFlow ベースのレイヤーを開発しました。
COVIDx データセットの実験結果は、アンサンブル モデルが 3 クラス分類で 98\%、バイナリ分類で 99.50\% の精度を達成し、そのコンポーネントである DenseNet-201 (3 クラスで 97\%、バイナリ分類で 98.75\%) を上回るパフォーマンスを示していることを示しています。
)、Inception-v3 (3 クラスの場合は 96.25\%、バイナリの場合は 98.50\%)、および
Xception (3 クラスで 94.50%、バイナリで 98%) – 以前の多くの方法を上回っています。

要約(オリジナル)

The COVID-19 pandemic has profoundly impacted billions globally. It challenges public health and healthcare systems due to its rapid spread and severe respiratory effects. An effective strategy to mitigate the COVID-19 pandemic involves integrating testing to identify infected individuals. While RT-PCR is considered the gold standard for diagnosing COVID-19, it has some limitations such as the risk of false negatives. To address this problem, this paper introduces a novel Deep Learning Diagnosis System that integrates pre-trained Deep Convolutional Neural Networks (DCNNs) within an ensemble learning framework to achieve precise identification of COVID-19 cases from Chest X-ray (CXR) images. We combine feature vectors from the final hidden layers of pre-trained DCNNs using the Choquet integral to capture interactions between different DCNNs that a linear approach cannot. We employed Sugeno-$\lambda$ measure theory to derive fuzzy measures for subsets of networks to enable aggregation. We utilized Differential Evolution to estimate fuzzy densities. We developed a TensorFlow-based layer for Choquet operation to facilitate efficient aggregation, due to the intricacies involved in aggregating feature vectors. Experimental results on the COVIDx dataset show that our ensemble model achieved 98\% accuracy in three-class classification and 99.50\% in binary classification, outperforming its components-DenseNet-201 (97\% for three-class, 98.75\% for binary), Inception-v3 (96.25\% for three-class, 98.50\% for binary), and Xception (94.50\% for three-class, 98\% for binary)-and surpassing many previous methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google