基于胸部计算机断层扫描图像的跨数据集域自适应COVID-19分类

利用肺部计算机断层扫描（CT）图像检测COVID-19患者是一个活跃的研究领域。来自COVID-19患者的CT图像数据集正变得可用。深度学习（DL）方案，特别是卷积神经网络（CNN），在COVID-19 CT图像分类上取得了令人印象深刻的成果，但仅限于训练和测试在同一数据集内进行。关于跨数据集问题的工作仍然有限且所取得的成果较低。我们的工作通过结合深度学习的域自适应（DA）技术来解决跨数据集问题。我们提出的解决方案COVID19-DANet基于预训练CNN骨干网络进行特征提取。为此任务，我们选择了预训练的Efficientnet-B3 CNN，因为它在先前工作中取得了令人印象深刻的分类准确率。骨干CNN之后接一个原型层，该概念借自少样本学习（FSL）中的原型网络。它计算给定样本与类原型之间的余弦距离，然后使用Softmax函数将其转换为类概率。为训练COVID19-DANet模型，我们提出了一种组合损失函数，由用于类别区分的标准交叉熵损失和仅在无标签目标集上计算的另一种熵损失组成。这种所谓的无标签目标熵损失以交替方式被最小化和最大化，以达成类别区分和域不变性两个目标。COVID19-DANet在使用SARS-CoV-2-CT和COVID19-CT数据集的四种跨数据集场景下进行了测试，与文献中近期工作相比取得了令人鼓舞的结果。