一种用于新冠检测迁移学习的数据增强方法
计算机视觉与模式识别
2021-08-09 v1 机器学习
摘要
新冠(Covid-19)的早期检测有助于制定有效的治疗与隔离方案以阻止其传播。近来，迁移学习已被用于基于 X 射线、超声和 CT 扫描的新冠检测。这些已有方法的固有主要局限之一是标注数据集规模有限，影响了新冠诊断与疾病进展的可靠性。本工作中，我们展示了如何通过使用限制对比度自适应直方图均衡化(CLAHE)增强有限的 X 射线图像数据，以训练预训练深度学习模型的最后一层，从而缓解新冠检测中迁移学习的偏差。我们迁移学习了多种预训练深度学习模型，包括 AlexNet、ZFNet、VGG-16、ResNet-18 和 GoogLeNet，并使用 CLAHE 增强数据集微调最后一层。实验结果表明，基于 CLAHE 的增强显著提升了各类预训练深度学习模型的效率。采用 CLAHE 增强图像的预训练 VGG-16 模型在 15 个 epoch 下达到了 95% 的灵敏度。AlexNet 在非增强数据上训练时表现出良好灵敏度。其他模型在非增强数据上训练时表现值低于 60%。我们的结果表明，样本偏差会对迁移学习性能产生负面影响，而使用基于 CLAHE 的增强可显著改善。
引用
@article{arxiv.2108.02870,
title = {A Data Augmented Approach to Transfer Learning for Covid-19 Detection},
author = {Shagufta Henna and Aparna Reji},
journal= {arXiv preprint arXiv:2108.02870},
year = {2021}
}