基于数据增强与自监督学习的多示例学习框架用于新冠严重程度评估
图像与视频处理
2021-02-09 v1 计算机视觉与模式识别
摘要
当全球数百万人遭受疫情之苦时，如何快速准确地评估 COVID-19 的严重程度是一个关键问题。目前，胸部 CT 被视为一种流行且信息丰富的 COVID-19 诊断成像工具。然而，我们观察到存在两个可能阻碍基于 CT 图像自动评估 COVID-19 严重程度的问题——弱标注与数据不足。为应对这些挑战，我们提出了一种新颖的三组件方法，即：1) 具有实例级注意力的深度多示例学习组件，联合分类包并加权实例；2) 包级数据增强组件，通过重组高置信实例生成虚拟包；3) 自监督 pretext 组件以辅助学习过程。我们在 229 例 COVID-19 病例的 CT 图像上系统评估了我们的方法，包括 50 例重症和 179 例非重症。我们的方法可获得 95.8% 的平均准确率，灵敏度 93.6%，特异度 96.4%，优于以往工作。
引用
@article{arxiv.2102.03837,
title = {A novel multiple instance learning framework for COVID-19 severity assessment via data augmentation and self-supervised learning},
author = {Zekun Li and Wei Zhao and Feng Shi and Lei Qi and Xingzhi Xie and Ying Wei and Zhongxiang Ding and Yang Gao and Shangjie Wu and Jun Liu and Yinghuan Shi and Dinggang Shen},
journal= {arXiv preprint arXiv:2102.03837},
year = {2021}
}
备注
To appear in Medical Image Analysis