多输入卷积神经网络:一种用于COVID-19胸片关键区域分类和筛选的新设计
摘要
COVID-19大流行正在成为前所未有的最大卫生危机之一,胸部x线摄影(CXR)在诊断COVID-19方面发挥着至关重要的作用。在这里,我们提出了一种新的多输入CNN (MI-CNN)用于COVID - cxr的分类。CXR可以被均匀地分割成不同数量(2、4和16)的单个区域。每个区域都可以单独作为MI-CNN的输入之一。这些MI-CNN输入的CNN特征将被融合用于COVID分类。更重要的是,每个CXR区域的贡献可以通过测试数据集中对应区域精确确定的图像数量来评估。在全图像和LR-ROI(左右感兴趣区域)数据集上,mi - cnn都能获得很好的COVID分类效率。特别是,多输入(2输入、4输入和16输入)的mi -CNN识别COVID - cxr的效率优于单输入CNN(1输入)。与全图像数据集相比,LR-ROI数据集的准确度、灵敏度、特异性和精密度降低了约4%(超过91%)。然而,通过每个区域的贡献,我们发现一个可能的原因是一些非肺区域(例如R16区域)错误地对COVID分类做出了积极贡献。 MI-CNN with LR-ROI could provide a more accurate evaluation of the contribution of each region and COVID classification. Additionally, the right-lung regions gave more contributions in the classification of COVID CXRs, while the left lung regions provided more contributions for Normal CXRs. Overall, MI-CNNs could achieve higher accuracy with the increasing number of inputs (e.g., 16-Inputs). It could assist the radiologists in identifying COVID CXRs and screen the critical regions related to the COVID classifications.
引用
请求排队。正在生成文件,请稍候。这可能需要一些时间。