高いリコールと精度でCovid-19を検出するための積み重ねられたアンサンブル

個人のコンピューター断層撮影（CT）スキャンからのコロナウイルス疾患（Covid-19）の自動検出の主な課題は、大きなデータセットの欠如、Covid-19の特性の曖昧さ、および感度が低い検出技術（またはリコール）。したがって、利用可能なデータを使用した高いリコールと自動機能抽出を備えた診断技術の開発は、Covid-19の拡散を制御するために重要です。このペーパーでは、患者の胸部CTスキャンからCovid-19を高いリコールと精度で検出できる新しい積み重ねられたアンサンブルを提案します。転送学習（TL）を使用して、事前に訓練されたコンピュータービジョンモデルから積み重ねられたアンサンブルを設計するための体系的なアプローチが提示されています。リコールと精度が高い積み重ねられたアンサンブルをもたらす新しい多様性測定が提案されています。このペーパーで提案されている積み重ねられたアンサンブルは、4つの事前に訓練されたコンピュータービジョンモデルを考慮しています：Visual Geometry Group（VGG）-19、Residual Network（RESNET）-101、密に接続された畳み込みネットワーク（Densenet）-169およびWide Residual Network（WideresNet）-50-2。提案されたモデルは、3つの異なる胸部CTスキャンで訓練および評価されました。リコールは精度よりも重要であるため、リコールと精度の間のトレードオフは、Covid-19に関連して調査されました。各データセットで最適な推奨しきい値が見つかりました。

The main challenges for the automatic detection of the coronavirus disease (COVID-19) from computed tomography (CT) scans of an individual are: a lack of large datasets, ambiguity in the characteristics of COVID-19 and the detection techniques having low sensitivity (or recall). Hence, developing diagnostic techniques with high recall and automatic feature extraction using the available data are crucial for controlling the spread of COVID-19. This paper proposes a novel stacked ensemble capable of detecting COVID-19 from a patient's chest CT scans with high recall and accuracy. A systematic approach for designing a stacked ensemble from pre-trained computer vision models using transfer learning (TL) is presented. A novel diversity measure that results in the stacked ensemble with high recall and accuracy is proposed. The stacked ensemble proposed in this paper considers four pre-trained computer vision models: the visual geometry group (VGG)-19, residual network (ResNet)-101, densely connected convolutional network (DenseNet)-169 and wide residual network (WideResNet)-50-2. The proposed model was trained and evaluated with three different chest CT scans. As recall is more important than precision, the trade-offs between recall and precision were explored in relevance to COVID-19. The optimal recommended threshold values were found for each dataset.