一种用于 CT 图像中 COVID-19 分割的弱监督一致性学习方法
图像与视频处理
2020-07-08 v2 计算机视觉与模式识别
摘要
2019 冠状病毒病（COVID-19）已在全球急剧蔓延，引发严峻的卫生危机。因此，一套能自动检测 CT（计算机断层扫描）图像中 COVID-19 的系统有助于量化疾病严重程度。遗憾的是，标注胸部 CT 扫描需要大量领域专业知识、时间与精力。我们通过仅要求点标注（即 CT 图像上每个感染区域一个像素）来解决这些标注难题。该标注方案使标注者只需在可能感染区域标一个像素，耗时仅 1–3 秒，而分割一个区域需 10–15 秒。传统上，分割模型在这些标签上使用交叉熵损失函数训练于点级标注。然而，这些模型常精度偏低。为此，我们提出一种基于一致性（CB）的损失函数，其促使输出预测与输入图像的空间变换保持一致。在 3 个开源 COVID-19 数据集上的实验表明，该损失函数相较传统点级损失函数有显著提升，并以少得多的人力近乎匹配全监督训练模型的表现。代码见：\url{https://github.com/IssamLaradji/covid19_weak_supervision}。
引用
@article{arxiv.2007.02180,
title = {A Weakly Supervised Consistency-based Learning Method for COVID-19 Segmentation in CT Images},
author = {Issam Laradji and Pau Rodriguez and Oscar Mañas and Keegan Lensink and Marco Law and Lironne Kurzman and William Parker and David Vazquez and Derek Nowrouzezahrai},
journal= {arXiv preprint arXiv:2007.02180},
year = {2020}
}