Классификация пациентов с COVID-19 методом глубокого трансферного обучения на основе DenseNet201

Модели глубокого обучения широко применяются для автоматизированного анализа радиологических изображений. Эти методы позволяют обучать веса нейронных сетей на больших наборах данных, а также дообучать предварительно обученные сети на небольших наборах данных. В связи с ограниченным объёмом доступных данных по COVID-19 предварительно обученные нейронные сети можно использовать для диагностики коронавирусной инфекции. Однако до настоящего времени применение таких методов к изображениям КТ органов грудной клетки было весьма ограниченным. Поэтому основная цель настоящего исследования заключалась в использовании предварительно обученных архитектур глубокого обучения в качестве автоматизированного инструмента для выявления и диагностики COVID-19 по данным КТ органов грудной клетки. Для классификации пациентов как инфицированных COVID-19 или неинфицированных, то есть как COVID-19-положительных или COVID-19-отрицательных, предложен метод глубокого трансферного обучения на основе DenseNet201. Предложенная модель использует свёрточную нейронную архитектуру и извлекает признаки с применением собственных весов, обученных на наборе данных ImageNet. Для оценки эффективности предложенной модели глубокого трансферного обучения были проведены масштабные эксперименты на изображениях КТ органов грудной клетки пациентов с COVID-19. Сравнительный анализ показал, что предложенная модель классификации COVID-19 на основе глубокого трансферного обучения превосходит сопоставимые методы. Представлено Ramaswamy H. Sarma.