[论文解读] COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches

Md Zahangir Alom, M M Shaifur Rahman+3 more|arXiv (Cornell University)|Apr 7, 2020

COVID-19 diagnosis using AI被引用 83

一句话总结

本文提出一个用于从 X 射线和 CT 图像检测 COVID-19 的多任务深度学习框架，使用 Inception Residual Recurrent CNN with Transfer Learning 进行检测，NABLA-N 用于感染区域分割，以及用于感染百分比的新定量分析。

ABSTRACT

COVID-19 is currently one the most life-threatening problems around the world. The fast and accurate detection of the COVID-19 infection is essential to identify, take better decisions and ensure treatment for the patients which will help save their lives. In this paper, we propose a fast and efficient way to identify COVID-19 patients with multi-task deep learning (DL) methods. Both X-ray and CT scan images are considered to evaluate the proposed technique. We employ our Inception Residual Recurrent Convolutional Neural Network with Transfer Learning (TL) approach for COVID-19 detection and our NABLA-N network model for segmenting the regions infected by COVID-19. The detection model shows around 84.67% testing accuracy from X-ray images and 98.78% accuracy in CT-images. A novel quantitative analysis strategy is also proposed in this paper to determine the percentage of infected regions in X-ray and CT images. The qualitative and quantitative results demonstrate promising results for COVID-19 detection and infected region localization.

研究动机与目标

• 促进快速而准确的 COVID-19 检测，以帮助临床决策和治疗计划。
• 开发一个同时处理检测和感染区域分割的多任务深度学习管线。
• 利用迁移学习提高医学影像数据集的检测性能。
• 提供一种定量方法来估计图像中感染区域的百分比。

提出的方法

• 使用 Inception Residual Recurrent Convolutional Neural Network with Transfer Learning 进行 COVID-19 检测。
• 应用 NABLA-N 网络对 COVID-19 感染区域进行分割。
• 提出一种新颖的定量分析策略，以确定 X 射线和 CT 图像中感染区域的百分比。
• 在 X 射线和 CT 图像数据集上评估该方法，以评估跨模态的鲁棒性。

实验结果

研究问题

• RQ1 多任务深度学习从 X 射线和 CT 图像检测 COVID-19 的准确性有多高？
• RQ2 感染区域的分割能否与检测互补，以提升整体诊断效用？
• RQ3 迁移学习是否在有限的 COVID-19 图像数据上提升检测性能？
• RQ4 图像中感染区域百分比的定量方法是什么？

主要发现

• 在 X 射线图像上的检测准确率约为 84.67%。
• 在 CT 图像上的检测准确率约为 98.78%。
• 将检测与感染区域分割相结合的多任务框架效果良好。
• 一种新颖的定量分析策略估计 X 射线与 CT 图像中感染区域的百分比。