利用自监督学习与批量知识集成提升 COVID-19 自动检测性能
图像与视频处理
2023-03-31 v2 计算机视觉与模式识别
摘要
问题：从胸部 X 光（CXR）图像中检测 COVID-19 已成为最快速、最简便的 COVID-19 检测方法之一。然而，现有方法通常使用来自自然图像的监督迁移学习作为预训练过程。这些方法未考虑 COVID-19 的独特特征以及 COVID-19 与其他肺炎之间的相似特征。目标：本文旨在设计一种利用 CXR 图像的新型高精度 COVID-19 检测方法，该方法能够考虑 COVID-19 的独特特征及其与其他肺炎的相似特征。方法：我们的方法包含两个阶段。一是基于自监督学习的预训练；二是基于批量知识集成的微调。基于自监督学习的预训练能够在无需人工标注标签的情况下，从 CXR 图像中学习具有区分性的表征。另一方面，基于批量知识集成的微调能够根据批次内图像的视觉特征相似性，利用其类别知识来提升检测性能。与我们之前的实现不同，我们将批量知识集成引入微调阶段，减少了自监督学习中的内存使用，并提高了 COVID-19 检测精度。结果：在两个公开的 COVID-19 CXR 数据集（即一个大数据集和一个不平衡数据集）上，我们的方法展现出优异的 COVID-19 检测性能。即使当标注的 CXR 训练图像显著减少（例如，仅使用原始数据集的 10%）时，我们的方法仍能保持高检测精度。此外，我们的方法对超参数变化不敏感。
引用
@article{arxiv.2212.09281,
title = {Boosting Automatic COVID-19 Detection Performance with Self-Supervised Learning and Batch Knowledge Ensembling},
author = {Guang Li and Ren Togo and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2212.09281},
year = {2023}
}
备注
Published as a journal paper at Elsevier CIBM