Fuzzy-Rank-basierte Fusion von CNN-Modellen unter Verwendung der Gompertz-Funktion zur Screening von COVID-19-CT-Scans

Die COVID-19-Pandemie hat die weltweiten Gesundheitssysteme erheblich beeinträchtigt, die Wirtschaft zurückgeworfen und das Leben vieler Menschen gefordert. Obwohl potenzielle Impfstoffe weltweit getestet und bereitgestellt werden, wird es noch lange dauern, bis jeder Mensch erreicht ist – besonders vor dem Hintergrund der stetig auftauchenden Virusvarianten, die Teile der Welt weiterhin in eine lockdown-ähnliche Lage versetzen. Daher besteht dringender Bedarf an einer frühzeitigen und präzisen Erkennung von COVID-19, um die Verbreitung der Krankheit effektiv zu verhindern. Derzeitige Goldstandard-Tests, wie die RT-PCR, weisen lediglich eine Sensitivität von 71 % auf und sind zudem arbeitsintensiv, was eine flächendeckende Screening-Untersuchung der Bevölkerung unmöglich macht. In diesem Beitrag stellen wir ein automatisiertes System zur Erkennung von COVID-19 vor, das CT-Bildaufnahmen der Lunge nutzt, um diese in COVID- und Nicht-COVID-Fälle zu klassifizieren. Die vorgeschlagene Methode wendet eine Ensemble-Strategie an, bei der mittels der Gompertz-Funktion unscharfe Ränge der Basis-Klassifikationsmodelle erzeugt und die Entscheidungsscores der Basismodelle adaptiv fusioniert werden, um die endgültigen Vorhersagen für Testfälle zu treffen. Drei auf Transfer-Learning basierende convolutionale Neuronale Netze – VGG-11, Wide ResNet-50-2 und Inception v3 – werden eingesetzt, um die Entscheidungsscores zu generieren, die anschließend vom vorgeschlagenen Ensemble-Modell fusioniert werden. Das vorgestellte Framework wurde an zwei öffentlich verfügbaren Datensätzen mit Thorax-CT-Aufnahmen evaluiert und erreichte dabei state-of-the-art-Leistungen, was die Zuverlässigkeit des Modells untermauert. Die entsprechenden Quellcodes zum vorliegenden Forschungsarbeitsbereich sind auf GitHub verfügbar.