4S-DT：用于迁移学习的自监督超样本分解及其在 COVID-19 检测中的应用
图像与视频处理
2020-09-16 v2 计算机视觉与模式识别
机器学习
摘要
由于大规模标注图像数据集的高可用性，从预训练模型进行知识迁移在医学图像分类中表现出卓越性能。然而，为具有数据不规则性或类别不平衡的数据集构建鲁棒的图像分类模型可能是一项非常具有挑战性的任务，尤其在医学影像领域。在本文中，我们提出一种新颖的深度卷积神经网络，称为用于迁移学习的自监督超样本分解（4S-DT）模型。4S-DT 利用通用的自监督样本分解方法，鼓励从大规模图像识别任务到特定胸部 X 光图像分类任务的由粗到细的迁移学习。我们的主要贡献是一种由无标签胸部 X 光图像超样本分解引导的新颖自监督学习机制。4S-DT 借助带有类分解层的下游学习策略简化数据的局部结构，从而提升知识转换的鲁棒性。4S-DT 可通过下游类分解机制考察其类别边界，处理图像数据集中的任何不规则性。我们使用 50,000 张无标签胸部 X 光图像来实现由粗到细的迁移学习，并以 COVID-19 检测作为示例应用。4S-DT 在大型数据集上检测 COVID-19 病例达到了 99.8% 的高准确率（95% CI：99.44%，99.98%），在由小数据集增广图像扩充的扩展测试集上达到了 97.54% 的准确率（95% CI：96.22%，98.91%），其中所有真实 COVID-19 病例均被检测出，这是与其他方法相比获得的最高准确率。
引用
@article{arxiv.2007.11450,
title = {4S-DT: Self Supervised Super Sample Decomposition for Transfer learning with application to COVID-19 detection},
author = {Asmaa Abbas and Mohammed M. Abdelsamea and Mohamed Gaber},
journal= {arXiv preprint arXiv:2007.11450},
year = {2020}
}