基于结构化潜在多视图表示学习的新型冠状病毒肺炎(COVID-19)诊断
图像与视频处理
2020-10-13 v1 计算机视觉与模式识别
机器学习
摘要
近来,新型冠状病毒肺炎(COVID-19)的暴发已在全球迅速蔓延。由于受影响患者众多且医生工作繁重,亟需借助机器学习算法的计算机辅助诊断,其可大幅减轻临床医生负担并加速诊断流程。胸部计算机断层扫描(CT)已被认为是该疾病诊断的信息化工具。本研究中,我们提出利用从 CT 图像提取的一系列特征进行 COVID-19 诊断。为充分探索从不同视角描述 CT 图像的多重特征,我们学习一个统一潜在表示,其可完整编码各方面特征信息,并被赋予利于可分离性的类别结构。具体而言,完整性由一组反向神经网络(每类特征对应一个)保证,而通过使用类标签,该表示被强制在 COVID-19/社区获得性肺炎(CAP)内紧凑,并保证不同类型肺炎间具有大间隔。以此方式,相较直接将高维特征投影至类别的情况,我们的模型能很好避免过拟合。大量实验结果表明,所提方法优于所有对比方法,且在变动训练数据数量时观察到相当稳定的性能。
引用
@article{arxiv.2005.03227,
title = {Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning},
author = {Hengyuan Kang and Liming Xia and Fuhua Yan and Zhibin Wan and Feng Shi and Huan Yuan and Huiting Jiang and Dijia Wu and He Sui and Changqing Zhang and Dinggang Shen},
journal= {arXiv preprint arXiv:2005.03227},
year = {2020}
}