基于自监督迁移学习使用胸部 X 射线图像的 COVID-19 检测
图像与视频处理
2022-12-20 v1 计算机视觉与模式识别
机器学习
摘要
目的：考虑到 COVID-19 大流行期间筛查的大量患者，计算机辅助检测在协助提高临床工作流程效率以及降低放射科医生和医疗保健提供者的感染发生率方面具有巨大潜力。由于许多确诊的 COVID-19 病例表现出肺炎的放射学特征，放射学检查可用于快速检测。因此，在患者分诊期间，胸部放射成像可用于快速筛查 COVID-19，从而确定患者护理的优先级，以在疫情大流行情况下帮助饱和的医疗设施。方法：在本文中，我们提出了一种称为自监督迁移学习的新学习方案，用于从胸部 X 射线（CXR）图像中检测 COVID-19。我们将六种自监督学习（SSL）方法（Cross、BYOL、SimSiam、SimCLR、PIRL-jigsaw 和 PIRL-rotation）与所提出的方法进行了比较。此外，我们将六个预训练的 DCNN（ResNet18、ResNet50、ResNet101、CheXNet、DenseNet201 和 InceptionV3）与所提出的方法进行了比较。我们在最大的开放 COVID-19 CXR 数据集上提供了定量评估，并提供了用于视觉检查的定性结果。结果：我们的方法实现了 0.985 的调和平均（HM）分数、0.999 的 AUC 和 0.953 的四分类准确率。我们还使用可视化技术 Grad-CAM++ 生成了使用所提出方法对不同类别 CXR 图像的视觉解释，以增加可解释性。结论：我们的方法表明，使用迁移学习从自然图像中学到的知识有利于 CXR 图像的 SSL，并提升了 COVID-19 检测的表示学习性能。我们的方法有望降低放射科医生和医疗保健提供者的感染发生率。
引用
@article{arxiv.2212.09276,
title = {COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images},
author = {Guang Li and Ren Togo and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2212.09276},
year = {2022}
}
备注
Published as a journal paper at Springer IJCARS