非COVID-19肺部病灶是否有帮助?探究COVID-19 CT图像分割中的可迁移性
图像与视频处理
2021-01-05 v2 计算机视觉与模式识别
摘要
2019冠状病毒病(COVID-19)是一种高度传染的病毒,正在全球蔓延。深度学习已被采用为一种从计算机断层扫描(CT)图像辅助COVID-19检测与分割的有效技术。主要挑战在于公开的COVID-19数据集不足。近来,迁移学习已成为一种广泛使用的方法,它利用在解决某一问题时获得的知识并将其应用于不同但相关的问题。然而,各类非COVID-19肺部病灶是否有助于分割COVID-19感染区域,以及如何更好地执行该迁移过程,仍不清楚。本文提供了一种理解非COVID-19肺部病灶可迁移性的途径。基于一个公开COVID-19 CT数据集和三个公开非COVID-19数据集,我们使用3D U-Net作为标准编码器-解码器方法评估了四种迁移学习方法。结果揭示了从非COVID-19肺部病灶迁移知识的益处,且从多个肺部病灶数据集学习可提取更具泛化性的特征,从而得到准确且鲁棒预训练模型。我们进一步展示了编码器学习肺部病灶特征表示的能力,其提升了分割精度并促进了训练收敛。此外,我们提出的混合编码器(Hybrid-encoder)学习方法有效融合了来自非COVID-19数据集的迁移肺部病灶特征,并取得显著改进。这些发现为COVID-19 CT图像分割的迁移学习提供了新见解,也可进一步推广至其他医学任务。
引用
@article{arxiv.2006.13877,
title = {Does Non-COVID19 Lung Lesion Help? Investigating Transferability in COVID-19 CT Image Segmentation},
author = {Yixin Wang and Yao Zhang and Yang Liu and Jiang Tian and Cheng Zhong and Zhongchao Shi and Yang Zhang and Zhiqiang He},
journal= {arXiv preprint arXiv:2006.13877},
year = {2021}
}
备注
11 pages