基于多源迁移学习的 CT 扫描中 COVID-19 分类
图像与视频处理
2020-09-23 v1 计算机视觉与模式识别
摘要
自 2019 年 12 月以来,新型冠状病毒疾病 COVID-19 已蔓延全球,感染数百万人并颠覆全球经济。其高感染率背后的一个驱动原因是 RT-PCR 检测不可靠且匮乏。有时结果周转长达数天,灵敏度仅约 70%。作为替代,近期研究探讨了使用计算机视觉与卷积神经网络(CNNs)从 CT 扫描中分类 COVID-19。由于固有的可用 COVID-19 CT 数据缺乏,这些研究被迫利用迁移学习。这一常用的深度学习技术在源特征空间与目标特征空间略有相似时,可改善数据量较少任务的模型性能。遗憾的是,医学图像分类中常遇到缺乏相似性的问题,因为公开可用的源数据集通常缺少医学图像中的视觉特征。在本研究中,我们提出使用多源迁移学习(MSTL)来改进传统的迁移学习,用于从 CT 扫描中分类 COVID-19。通过我们的多源微调方法,我们的模型优于用 ImageNet 微调的基线模型。此外,我们提出一种无监督标签创建过程,提升了我们深度残差网络的性能。我们性能最佳的模型达到了 0.893 的准确率与 0.897 的召回率分数,其基线召回率分数提升了 9.3%。
引用
@article{arxiv.2009.10474,
title = {Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning},
author = {Alejandro R. Martinez},
journal= {arXiv preprint arXiv:2009.10474},
year = {2020}
}