可解释设计的半监督表示学习用于 CT 影像 COVID-19 诊断
图像与视频处理
2021-09-03 v3 计算机视觉与模式识别
摘要
我们的应用动机是一个现实问题：基于 CT 影像的 COVID-19 分类，为此我们提出一种可解释的深度学习方案，基于半监督分类流程，采用变分自编码器提取高效特征嵌入。我们针对 CT 图像优化了两种不同网络的架构：（i）一种新颖的条件变分自编码器（CVAE），其特定架构将类别标签整合进编码器层，并为编码器使用带共享注意力层的侧信息，从而充分利用上下文线索进行表示学习；（ii）一种下游卷积神经网络，利用 CVAE 的编码器结构进行有监督分类。凭借可解释的分类结果，所提诊断系统对 COVID-19 分类非常有效。基于定性与定量上获得的有前景结果，我们预期所开发的技术可在大规模临床研究中广泛部署。代码见 https://git.etrovub.be/AVSP/ct-based-covid-19-diagnostic-tool.git。
引用
@article{arxiv.2011.11719,
title = {Explainable-by-design Semi-Supervised Representation Learning for COVID-19 Diagnosis from CT Imaging},
author = {Abel Díaz Berenguer and Hichem Sahli and Boris Joukovsky and Maryna Kvasnytsia and Ine Dirks and Mitchel Alioscha-Perez and Nikos Deligiannis and Panagiotis Gonidakis and Sebastián Amador Sánchez and Redona Brahimetaj and Evgenia Papavasileiou and Jonathan Cheung-Wai Chana and Fei Li and Shangzhen Song and Yixin Yang and Sofie Tilborghs and Siri Willems and Tom Eelbode and Jeroen Bertels and Dirk Vandermeulen and Frederik Maes and Paul Suetens and Lucas Fidon and Tom Vercauteren and David Robben and Arne Brys and Dirk Smeets and Bart Ilsen and Nico Buls and Nina Watté and Johan de Mey and Annemiek Snoeckx and Paul M. Parizel and Julien Guiot and Louis Deprez and Paul Meunier and Stefaan Gryspeerdt and Kristof De Smet and Bart Jansen and Jef Vandemeulebroucke},
journal= {arXiv preprint arXiv:2011.11719},
year = {2021}
}