利用胸部X射线图像纠正数据不平衡以实现半监督新冠肺炎检测
图像与视频处理
2020-08-24 v2 计算机视觉与模式识别
机器学习
摘要
冠状病毒（COVID-19）是一场迅速在全球传播的国际大流行病。将深度学习应用于新冠肺炎患者胸部X射线图像的分类，可成为一种新颖的预诊断检测方法。然而，深度学习架构需要大量带标签的数据集。当研究对象相对较新（如病毒暴发时）这往往是一个限制，此时处理小规模带标签数据集是一项挑战。此外，在一种新型高传染性疾病背景下，数据集也高度不平衡，新疾病阳性病例的观测样本极少。本工作中，我们评估了称为MixMatch的半监督深度学习架构在极少带标签观测样本和高度不平衡带标签数据集下的性能。我们提出了一种纠正数据不平衡的简单方法，在损失函数中重新加权每个观测样本，对代表不足的类别对应的观测样本赋予更高权重。对于无标签观测样本，我们提出利用MixMatch计算的伪标签与增强标签来选择合适的权重。与非平衡MixMatch算法相比，MixMatch方法结合所提出的基于伪标签的平衡纠正将分类准确率显著提高了至多10%。我们使用10、15和20个带标签观测样本，以多个可用数据集测试了所提方法。此外，被测数据集中包含了一个由哥斯达黎加成年患者胸部X射线图像组成的新数据集。
引用
@article{arxiv.2008.08496,
title = {Correcting Data Imbalance for Semi-Supervised Covid-19 Detection Using X-ray Chest Images},
author = {Saul Calderon-Ramirez and Shengxiang-Yang and Armaghan Moemeni and David Elizondo and Simon Colreavy-Donnelly and Luis Fernando Chavarria-Estrada and Miguel A. Molina-Cabello},
journal= {arXiv preprint arXiv:2008.08496},
year = {2020}
}
备注
Under journal review