COVID-CXNet: Erkennung von COVID-19 in frontalen Brust-Röntgenbildern mittels Deep Learning

Eine der primären klinischen Beobachtungen zur Früherkennung einer Infektion mit dem neuen Coronavirus besteht in der Aufnahme einer Röntgenaufnahme des Brustkorbs. Bei den meisten Patienten zeigen die Thorax-Röntgenbilder Abnormitäten wie Konsolidierungen, die Folge einer durch das SARS-CoV-2-Virus verursachten Pneumonie sind. In dieser Studie wird untersucht, wie mithilfe tiefer konvolutioneller neuronalen Netze effizient diagnostische Bildmerkmale dieser Pneumonie in einem großen Datensatz erkannt werden können. Es wird gezeigt, dass einfache Modelle sowie die überwiegende Mehrheit der in der Literatur vorgestellten vortrainierten Netzwerke auf irrelevanten Merkmalen für die Entscheidungsfindung basieren. In diesem Beitrag werden zahlreiche Thorax-Röntgenbilder aus verschiedenen Quellen gesammelt, wodurch der bislang größte öffentlich verfügbare Datensatz dieser Art erstellt wird. Schließlich wird mithilfe des Transfer-Learning-Ansatzes das bekannte CheXNet-Modell für die Entwicklung von COVID-CXNet genutzt. Das leistungsstarke Modell ist in der Lage, die durch das neue Coronavirus verursachte Pneumonie auf der Grundlage relevanter und bedeutungsvoller Merkmale mit präziser Lokalisierung zu detektieren. COVID-CXNet stellt einen wichtigen Schritt hin zu einem vollständig automatisierten und robusten System zur Erkennung von COVID-19 dar.