[论文解读] TeliNet, a simple and shallow Convolution Neural Network (CNN) to Classify CT Scans of COVID-19 patients.

Mohammad Nayeem Teli|arXiv (Cornell University)|Jul 10, 2021

COVID-19 diagnosis using AI参考文献 18被引用 1

一句话总结

TeliNet 是一种轻量级、浅层卷积神经网络，旨在以高精度分类新冠患者CT扫描图像。其F1分数优于VGGNet和基准模型，同时保持了更低的计算复杂度。

ABSTRACT

Hundreds of millions of cases and millions of deaths have occurred worldwide due to COVID-19. The fight against this pandemic is on-going on multiple fronts. While vaccinations are picking up speed, there are still billions of unvaccinated people. In this fight diagnosis of the disease and isolation of the patients to prevent any spreads play a huge role. Machine Learning approaches have assisted the diagnosis of COVID-19 cases by analyzing chest X-ray and CT-scan images of patients. In this research we present a simple and shallow Convolutional Neural Network based approach, TeliNet, to classify CT-scan images of COVID-19 patients. Our results outperform the F1 score of VGGNet and the benchmark approaches. Our proposed solution is also more lightweight in comparison to the other methods.

研究动机与目标

• 开发一种轻量级深度学习模型，以实现对CT扫描图像中新冠的快速准确分类。
• 解决在计算资源有限地区对高效诊断工具的需求。
• 通过更简单的网络结构，在性能上超越现有基准模型（如VGGNet）以提升分类表现。
• 在不牺牲新冠检测诊断准确率的前提下，降低模型复杂度。

提出的方法

• 设计一种层数和参数更少的浅层卷积神经网络（CNN）架构，以降低计算负载。
• 利用卷积层从CT扫描图像中提取空间特征。
• 应用标准深度学习组件，如ReLU激活函数和池化层，以实现特征学习和降维。
• 在标注的CT扫描图像数据集上端到端训练模型，以优化分类性能。
• 采用标准优化技术（如随机梯度下降）进行模型训练。
• 使用标准评估指标（包括F1分数、精确率和召回率）在CT扫描测试集上评估模型性能。

实验结果

研究问题

• RQ1 浅层且轻量级的CNN是否能在CT扫描图像中分类新冠方面，实现优于VGGNet等深层模型的F1分数？
• RQ2 模型的简洁性在多大程度上降低了计算成本，同时保持了高诊断准确率？
• RQ3 TeliNet在F1分数和推理效率方面与现有基准模型相比表现如何？
• RQ4 极简架构是否足以从CT扫描图像中提取具有判别性的特征，以实现可靠的新冠分类？

主要发现

• TeliNet在相同CT扫描图像分类任务中，F1分数高于VGGNet。
• 所提出的模型在分类性能方面优于基准方法。
• TeliNet保持了轻量化架构，适用于在资源受限环境中部署。
• 尽管结构简单且参数量减少，该模型仍表现出强大的诊断性能。