对空间切片特征学习用于COVID-19检测的深入探讨
图像与视频处理
2024-04-23 v2 计算机视觉与模式识别
机器学习
摘要
传统的计算机断层扫描（CT）影像识别面临两个重大挑战：（1）每次CT扫描的分辨率和尺寸往往存在显著差异，对模型的输入尺寸和适应性提出了严格要求。（2）CT扫描包含大量分布外（OOD）切片。关键特征可能仅存在于整个CT扫描的特定空间区域和切片中。我们如何有效确定这些特征的位置？为此，我们引入了一种增强的空间切片特征学习（SSFL++）框架，专门针对CT扫描设计。该框架旨在过滤整个CT扫描中的OOD数据，使我们能够选择关键的空间切片进行分析，总共减少70%的冗余。同时，我们提出了基于核密度估计的切片采样（KDS）方法，以提高训练和推理阶段的稳定性，从而加快收敛速度并提升性能。实验结果表明，即使仅使用1%的训练数据，我们的模型采用简单的EfficientNet-2D（E2D）模型也展现出令人期待的性能。我们的方法在DEF-AI-MIA研讨会与CVPR 2024联合提供的COVID-19-CT-DB数据集上得到了验证。我们的源代码可在https://github.com/ming053l/E2D获取。
引用
@article{arxiv.2404.01643,
title = {A Closer Look at Spatial-Slice Features Learning for COVID-19 Detection},
author = {Chih-Chung Hsu and Chia-Ming Lee and Yang Fan Chiang and Yi-Shiuan Chou and Chih-Yu Jiang and Shen-Chieh Tai and Chi-Han Tsai},
journal= {arXiv preprint arXiv:2404.01643},
year = {2024}
}
备注
Camera-ready version, accepted by DEF-AI-MIA workshop, in conjunted with CVPR2024