用于COVID-19和肺炎检测的肺部超声密集像素标记逆向迁移与诊断学习
图像与视频处理
2022-01-26 v1 计算机视觉与模式识别
摘要
我们提出使用预训练的分割模型来执行诊断分类，以实现更好的泛化性和可解释性，并将此技术称为逆向迁移学习。我们提出了一种将分割模型转换为分类模型的架构。我们比较并对比了密集与稀疏分割标记，并研究了其对诊断分类的影响。我们比较了使用密集和稀疏标签训练的U-Net在一个包含4名患者肺部超声扫描的自定义数据集上分割A线、B线和胸膜线的性能。我们的实验表明，密集标签有助于减少假阳性检测。我们研究了密集和稀疏训练的U-Net的分类能力，并将其与未预训练的U-Net进行对比，以在一个包含约4万张凸阵和线阵探头图像的大型超声数据集上检测和区分COVID-19与肺炎。我们基于分割的模型在使用预训练分割权重时表现出更好的分类性能，其中密集标签预训练的U-Net表现最佳。
引用
@article{arxiv.2201.10166,
title = {Dense Pixel-Labeling for Reverse-Transfer and Diagnostic Learning on Lung Ultrasound for COVID-19 and Pneumonia Detection},
author = {Gautam Rajendrakumar Gare and Andrew Schoenling and Vipin Philip and Hai V Tran and Bennett P deBoisblanc and Ricardo Luis Rodriguez and John Michael Galeotti},
journal= {arXiv preprint arXiv:2201.10166},
year = {2022}
}
备注
Published in 2021 IEEE 18th International Symposium on Biomedical Imaging (ISBI) \copyright 2021 IEEE