[论文解读] Classification of COVID-19 in Chest CT Images using Convolutional Support Vector Machines

Umut Özkaya, Şaban Öztürk+3 more|arXiv (Cornell University)|Nov 11, 2020

COVID-19 diagnosis using AI参考文献 22被引用 27

一句话总结

该论文提出了一种新颖的卷积支持向量机（CSVM）模型，用于在不使用迁移学习的情况下，从零开始训练，自动检测胸部CT图像中的COVID-19。CSVM模型在75/25%的训练-测试数据集划分下，实现了94.03%的准确率、96.09%的敏感度和94.10%的F1分数，优于使用预训练卷积神经网络（CNN）的方法。

ABSTRACT

Purpose: Coronavirus 2019 (COVID-19), which emerged in Wuhan, China and affected the whole world, has cost the lives of thousands of people. Manual diagnosis is inefficient due to the rapid spread of this virus. For this reason, automatic COVID-19 detection studies are carried out with the support of artificial intelligence algorithms. Methods: In this study, a deep learning model that detects COVID-19 cases with high performance is presented. The proposed method is defined as Convolutional Support Vector Machine (CSVM) and can automatically classify Computed Tomography (CT) images. Unlike the pre-trained Convolutional Neural Networks (CNN) trained with the transfer learning method, the CSVM model is trained as a scratch. To evaluate the performance of the CSVM method, the dataset is divided into two parts as training (%75) and testing (%25). The CSVM model consists of blocks containing three different numbers of SVM kernels. Results: When the performance of pre-trained CNN networks and CSVM models is assessed, CSVM (7x7, 3x3, 1x1) model shows the highest performance with 94.03% ACC, 96.09% SEN, 92.01% SPE, 92.19% PRE, 94.10% F1-Score, 88.15% MCC and 88.07% Kappa metric values. Conclusion: The proposed method is more effective than other methods. It has proven in experiments performed to be an inspiration for combating COVID and for future studies.

研究动机与目标

• 开发一种高效、自动化的基于人工智能的分类方法，用于从胸部CT图像中识别COVID-19。
• 应对由于SARS-CoV-2在全球迅速传播而导致的临床手动诊断的局限性。
• 提出一种新颖的深度学习架构——CSVM，避免依赖预训练模型。
• 评估CSVM模型在检测COVID-19方面与现有预训练卷积神经网络（CNN）的性能对比。
• 为疫情期间的临床决策支持提供一种稳健、可解释且高性能的解决方案。

提出的方法

• 所提出的CSVM模型从零开始训练，避免使用迁移学习，以确保不依赖预训练特征。
• 该架构由多个模块组成，每个模块包含三种不同尺寸的支持向量机（SVM）卷积核：7×7、3×3和1×1。
• 每个模块通过SVM卷积核执行类似空间卷积的操作，从CT图像中提取分层特征。
• 模型通过连续的这些卷积核模块层处理输入的CT图像，以学习具有判别性的模式。
• 最终通过全连接层和Softmax分类器执行分类任务。
• 数据集按75%用于训练，25%用于测试，以评估模型的泛化性能。

实验结果

研究问题

• RQ1 基于支持向量机的深度学习模型是否能在不使用迁移学习的情况下，以高准确率检测胸部CT图像中的COVID-19？
• RQ2 在从CT扫描中分类COVID-19方面，所提出的CSVM模型与预训练CNN相比表现如何？
• RQ3 在CSVM架构中，SVM卷积核尺寸（7×7、3×3、1×1）的最优组合是什么，以实现最高的诊断性能？
• RQ4 在医疗影像数据有限的背景下，从零开始训练是否能获得优于或相当的性能结果？
• RQ5 CSVM模型在识别COVID-19病例方面，其敏感度和特异度达到何种程度？

主要发现

• CSVM（7×7、3×3、1×1）模型实现了94.03%的准确率，表现出强大的整体分类性能。
• 该模型记录了96.09%的敏感度，表明其对实际COVID-19病例具有很高的检测能力。
• 92.01%的特异度证实了模型正确识别非COVID-19病例的能力。
• 92.19%的精确率和94.10%的F1分数反映出精确率与召回率之间的良好平衡。
• 马修斯相关系数（MCC）为88.15%，kappa统计量为88.07%，表明模型具有高度一致性与鲁棒性。
• 在相同数据集上，CSVM模型优于预训练的CNN，验证了其作为新型端到端训练方法的有效性。