自适应少样本学习即时超声 COVID-19 诊断系统
图像与视频处理
2021-09-09 v1 计算机视觉与模式识别
摘要
本文提出了一种新颖的超声成像即时诊断 COVID-19 系统。该自适应视觉诊断利用少样本学习（FSL）生成编码的疾病状态模型，并使用已知词典进行存储和分类。该流程中新颖的基于词汇的特征处理，通过调整预训练深度神经网络的知识，将超声图像压缩为具有判别性的描述。FSL 方法的计算效率使得在训练数据有限且标注过程未受严格控制的 PoC 环境中，能够实现高诊断深度的学习性能。在开源的 COVID-19 POCUS 数据集上评估了算法性能，以验证系统区分 COVID-19、肺炎和健康疾病状态的能力。实证分析的结果表明，该系统具有适合规模化 PoC 应用的效率和准确度。本文代码将在文章被接受后在 GitHub 上公开提供。
关键词
引用
@article{arxiv.2109.03793,
title = {Adaptive Few-Shot Learning PoC Ultrasound COVID-19 Diagnostic System},
author = {Michael Karnes and Shehan Perera and Srikar Adhikari and Alper Yilmaz},
journal= {arXiv preprint arXiv:2109.03793},
year = {2021}
}
备注
Biomedical Circuits and Systems Conference (BioCAS) 2021