基于COVID-19 CT扫描与非精选报告的零样本多标签分类实证分析
图像与视频处理
2023-09-07 v2 计算与语言
计算机视觉与模式识别
机器学习
摘要
由于医学检查的增加，疫情导致了包括放射学报告在内的海量非结构化数据。以往关于COVID-19自动诊断的研究主要关注X射线图像，尽管其精度低于计算机断层扫描(CT)。在本工作中，我们利用来自医院的非结构化数据，并借助CT扫描提供的细粒度细节，基于对比视觉语言学习执行零样本多标签分类。在与人类专家的合作中，我们研究了多种零样本模型的有效性，这些模型可辅助放射科医生检测肺栓塞并识别磨玻璃影和实变等复杂肺部细节。我们的实证分析概述了针对此类细粒度任务的可能解决方案，而这些任务在医学多模态预训练文献中迄今被忽视。我们的研究有望通过解决与非结构化数据和细粒度多标签分类相关的一些挑战，推动医学图像分析领域的未来进展。
引用
@article{arxiv.2309.01740,
title = {An Empirical Analysis for Zero-Shot Multi-Label Classification on COVID-19 CT Scans and Uncurated Reports},
author = {Ethan Dack and Lorenzo Brigato and Matthew McMurray and Matthias Fontanellaz and Thomas Frauenfelder and Hanno Hoppe and Aristomenis Exadaktylos and Thomas Geiser and Manuela Funke-Chambour and Andreas Christe and Lukas Ebner and Stavroula Mougiakakou},
journal= {arXiv preprint arXiv:2309.01740},
year = {2023}
}
备注
Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) Workshops 2023