我们评估了深度神经网络(DNN)的泛化能力,培训培训,以使用相对较小的混合数据集将胸部X射线分类为Covid-19,正常或肺炎。我们提出了DNN进行肺分段和分类,堆叠分割模块(U-NET),原始中间模块和分类模块(DenSenet201)。为了评估泛化,我们将DNN与外部数据集(来自不同的地方)测试,并使用贝叶斯推理来估计性能度量的概率分布。我们的DNN在外部测试数据集上实现了0.917 AUC,以及没有分割的DENSENET,0.906。贝叶斯推理表示平均准确性为76.1%和[0.695,0.826] 95%HDI(高密度间隔,浓缩95%的公制概率质量),分段,没有分段,71.7%和[0.646,0.786]。我们提出了一种新型DNN评估技术,使用层性相关性传播(LRP)和Brixia得分。 LRP Heatmaps表示放射科医生发现强烈的Covid-19症状和归属高Brixia评分的区域是堆叠DNN分类最重要的。外部验证表现出比内部更小的精度,表明概括在泛化中,分割改善了。外部数据集和LRP分析中的性能表明DNN可以在小型和混合数据集中培训并检测Covid-19。
translated by 谷歌翻译