在CT图像数据增强中的一个计算价格低廉的策略,用于在疫情爆发的早期阶段进行强大的深度学习分类
Yikun Hou1, Miguel Navarro-Cía1,2
1Department of Electronic, Electrical and Systems Engineering, University of Birmingham, Birmingham B15 2TT, United Kingdom.
Biomedical physics & engineering express
|July 6, 2023
概括
这项研究使用转移学习和合成图像增强了COVID-19CT扫描分类,提高了准确性和AUC. 这种低资源的解决方案非常适合于早期的流行病检测.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 流行病的准备 流行病的准备
背景情况:
- 胸部计算机断层扫描 (CT) 对于诊断COVID-19和评估肺损伤至关重要.
- 有效的CT扫描分类对于早期的流行病反应至关重要,特别是在有限的资源的情况下.
- 传统的数据增强方法可能在数据稀缺的早期爆发阶段不足.
研究的目的:
- 开发一种低资源,易于部署的解决方案,用于COVID-19CT图像分类.
- 调查转移学习和合成图像生成的有效性,以提高分类准确性.
- 在模拟早期疫情情情景中评估拟议方法的性能.
主要方法:
- 利用转移学习,使用有限的超参数来提高计算效率.
- 采用高级规范化工具 (ANTs) 来合成图像用于数据增强.
- 在原始和合成COVID-19CT数据集上训练了一种EfficientNet模型.
- 在标准的COVID-CT数据集和模拟早期爆发条件的定制小数据集上验证了方法.
主要成果:
- 在COVID-CT数据集上实现了95.50%的分类精度和98.54%的AUC,比91.15%的精度和96.40%的AUC有所改善.
- 在定制的小数据集上,精度从85.95%提高到94.32%,AUC从93.21%提高到98.61%.
- 提出的方法提供了一个可行的解决方案,计算成本相对较低.
结论:
- 开发的方法提供了一个可行的,低门,易于部署和即时使用的解决方案,用于资源有限的环境中的医疗图像分类.
- 合成图像生成与转移学习相结合,显著提高了COVID-19 CT分类准确性和AUC,特别是在数据稀缺的场景中.
- 这种方法非常适合疫情爆发的早期阶段,为快速诊断和管理提供了一个实用的工具.
