一种用于改进 COVID-19 诊断的多阶段注意力迁移学习框架
图像与视频处理
2021-01-15 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）成像是一种有前景的 COVID-19 诊断方法。机器学习方法可用于从带标签的 CT 图像训练模型并预测病例为阳性或阴性。然而，目前不存在公开可用的大规模 CT 数据来训练准确模型。在本工作中，我们提出一种多阶段注意力迁移学习框架以改进 COVID-19 诊断。我们提出的框架包含三个阶段，通过从多个源任务与不同领域数据中学习知识来训练准确的诊断模型。重要的是，我们提出一种新颖的自监督学习方法来学习肺部 CT 图像的多尺度表示。我们的方法从整个肺部捕获语义信息并突出每个肺区域的功能以更好地进行表示学习。该方法随后被集成到所提迁移学习框架的最后阶段，以复用从相同 CT 图像中学得的复杂模式。我们使用一个集成自注意力（ATTNs）与卷积操作的基模型。实验结果表明，带有 ATTNs 的网络通过迁移学习比无 ATTNs 的网络带来更大的性能提升。这表明注意力比卷积具有更高的可迁移性。我们的结果还显示所提自监督学习方法优于若干基线方法。
引用
@article{arxiv.2101.05410,
title = {A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis},
author = {Yi Liu and Shuiwang Ji},
journal= {arXiv preprint arXiv:2101.05410},
year = {2021}
}
备注
12 pages, 4 figures, 6 tables