CCS-GAN:使用极少阳性训练图像的 COVID-19 CT 扫描分类
图像与视频处理
2021-10-06 v1 计算机视觉与模式识别
机器学习
摘要
我们提出了一种新颖的算法,能够使用极少展示 COVID-19 肺炎的训练图像样本以及较多正常图像,从 CT 扫描切片中分类 COVID-19 肺炎。该算法仅使用少至 10 张阳性训练切片(来自 10 个阳性病例)即可实现高分类准确率,据我们所知,这比撰写本文时次接近的已发表工作少了一个数量级。使用极少阳性训练量的深度学习是一个非常困难的问题,并且在 COVID-19 大流行期间一直是一个重要课题,因为在相当长一段时间内难以获取大量 COVID-19 阳性图像用于训练。能够利用少量样本学习筛查疾病的算法是一个重要研究领域。我们提出了循环一致分割生成对抗网络(CCS-GAN)。CCS-GAN 将风格迁移与肺部分割以及来自阴性图像的相关迁移学习相结合,以创建更大数量的合成阳性图像,从而改善诊断分类性能。一个 VGG-19 分类器加上 CCS-GAN 的性能使用少至 10 张多至 50 张 COVID-19 阳性 CT 扫描图像的少量阳性图像切片样本进行训练。CCS-GAN 在少量阳性图像下实现了高准确率,从而大大降低了获取大量训练量以训练 COVID-19 诊断分类器的门槛。
引用
@article{arxiv.2110.01605,
title = {CCS-GAN: COVID-19 CT-scan classification with very few positive training images},
author = {Sumeet Menon and Jayalakshmi Mangalagiri and Josh Galita and Michael Morris and Babak Saboury and Yaacov Yesha and Yelena Yesha and Phuong Nguyen and Aryya Gangopadhyay and David Chapman},
journal= {arXiv preprint arXiv:2110.01605},
year = {2021}
}
备注
10 pages, 9 figures, 1 table, submitted to IEEE Transactions on Medical Imaging