[论文解读] Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features

Weihan Zhang, Bryan Pogorelsky+2 more|arXiv (Cornell University)|Jan 19, 2021

COVID-19 diagnosis using AI参考文献 29被引用 13

一句话总结

本文提出了一种混合分类框架，将手工设计的特征（共308个，来自纹理、GLCM、GLDM、FFT、小波和LBP变换）与预训练VGG16和ResNet50网络的深度特征相结合，用于诊断X光片中的COVID-19、肺炎和健康病例。融合后的特征输入SVM分类器，准确率达到98.8%，超过单独使用CNN模型（98.3%）和仅使用手工特征的SVM（96.3%）。

ABSTRACT

Coronavirus Disease 2019 (COVID-19) demonstrated the need for accurate and fast diagnosis methods for emergent viral diseases. Soon after the emergence of COVID-19, medical practitioners used X-ray and computed tomography (CT) images of patients' lungs to detect COVID-19. Machine learning methods are capable of improving the identification accuracy of COVID-19 in X-ray and CT images, delivering near real-time results, while alleviating the burden on medical practitioners. In this work, we demonstrate the efficacy of a support vector machine (SVM) classifier, trained with a combination of deep convolutional and handcrafted features extracted from X-ray chest scans. We use this combination of features to discriminate between healthy, common pneumonia, and COVID-19 patients. The performance of the combined feature approach is compared with a standard convolutional neural network (CNN) and the SVM trained with handcrafted features. We find that combining the features in our novel framework improves the performance of the classification task compared to the independent application of convolutional and handcrafted features. Specifically, we achieve an accuracy of 0.988 in the classification task with our combined approach compared to 0.963 and 0.983 accuracy for the handcrafted features with SVM and CNN respectively.

研究动机与目标

• 通过结合手工特征与深度学习特征，提升X光片中COVID-19检测的准确性。
• 通过整合互补的特征类型，解决纯CNN模型在小样本数据集上过拟合的问题。
• 评估特征融合是否能在分类三种肺部疾病（健康、肺炎、COVID-19）时优于单独使用深度学习或手工特征的方法。
• 验证SVM作为融合特征在医学图像分类中鲁棒分类器的有效性。

提出的方法

• 预处理包括将X光片调整为224×224大小，并应用自适应直方图均衡化以增强局部对比度。
• 使用六种变换类型（纹理、GLCM、GLDM、FFT、小波和LBP）中的14种统计度量（如均值、标准差、熵、能量）提取共308个手工特征。
• 从预训练的VGG16和ResNet50模型的全连接层中提取深度特征，使用冻结的ImageNet权重进行微调。
• 通过核主成分分析（Kernel PCA）将深度特征的维度降低至1,000个分量，以与手工特征数量对齐并减少冗余。
• 将两类特征拼接后输入线性SVM分类器，采用一对多策略。
• 模型在包含5,143张X光片的平衡数据集（1,143例COVID-19、2,000例正常、2,000例肺炎）上进行训练和测试，训练集与测试集按80/20划分。

实验结果

研究问题

• RQ1 与单独使用任一特征类型相比，手工特征与深度特征的融合是否能提升COVID-19、肺炎和健康X光片的分类准确率？
• RQ2 在基于X光片诊断肺部疾病时，基于融合特征训练的SVM分类器性能与标准CNN模型（VGG16、ResNet50）相比如何？
• RQ3 在各类手工特征组（如小波、GLCM、LBP）中，哪一组对分类性能的贡献最大？
• RQ4 与基线模型相比，所提出的混合模型是否降低了假阳性和假阴性率？

主要发现

• 基于VGG16的深度特征与手工特征融合的SVM模型准确率达到98.8%，显著优于最佳单一方法（ResNet50为98.3%）。
• 仅使用手工特征训练的SVM达到96.3%的准确率，被所有融合模型超越。
• 在手工特征组中，小波变换贡献了最高的单个准确率（94.0%），其次为GLDM（90.0%）和GLCM（89.6%）。
• 两种融合模型的混淆矩阵显示，假阴性率极低（0.41%），假阳性率也极低（0.13%），表明具有高度可靠性。
• 基于VGG16与手工特征融合的模型F1-score达到0.989，表明在所有三类中精确率与召回率均保持良好平衡。
• 基于ResNet50的融合模型准确率达到98.7%，F1-score为0.988，证实了在不同主干网络上均保持一致的高性能。