基于重设计网络与对比跨站点学习的 COVID-19 CT 分类
图像与视频处理
2020-09-17 v1 计算机视觉与模式识别
机器学习
摘要
2019 冠状病毒病（COVID-19）大流行已导致一场蔓延数百个国家的全球公共卫生危机。随着新感染病例的持续增长，开发基于 CT 图像的 COVID-19 自动识别工具以辅助临床诊断并减少繁琐的图像解读工作极为迫切。为扩大用于开发机器学习方法的数据集，汇总来自不同医疗系统的病例以学习鲁棒且可泛化的模型具有本质上的帮助。本文提出一种新颖的联合学习框架，通过有效学习具有分布差异的异构数据集来实现准确的 COVID-19 识别。我们通过从网络架构和学习策略方面重新设计近期提出的 COVID-Net，构建了一个强大的骨干网络，以提高预测准确率和学习效率。在我们改进骨干网络的基础上，我们进一步通过在隐空间中进行分离的特征归一化来显式处理跨站点域偏移。此外，我们提出使用对比训练目标来增强语义嵌入的域不变性，从而提升在每个数据集上的分类性能。我们利用由两个 CT 图像构成的公共大规模 COVID-19 诊断数据集开发并评估了我们的方法。大量实验表明，我们的方法在两个数据集上性能持续提升，分别比在每个数据集上训练的原始 COVID-Net 的 AUC 高出 12.16% 和 14.23%，也超越了现有的最先进多站点学习方法。
引用
@article{arxiv.2009.07652,
title = {Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT Classification},
author = {Zhao Wang and Quande Liu and Qi Dou},
journal= {arXiv preprint arXiv:2009.07652},
year = {2020}
}
备注
Published as a journal paper at IEEE J-BHI; code and dataset are available at https://github.com/med-air/Contrastive-COVIDNet