基于校准伪标签的可解释COVID-19感染识别与勾画
图像与视频处理
2022-07-05 v2 计算机视觉与模式识别
机器学习
摘要
COVID-19大流行的到来所带来的动荡在过去两年中持续带来新的挑战。在此次COVID-19大流行期间，亟需快速识别感染患者并在计算机断层扫描（CT）图像中具体勾画感染区域。尽管深度监督学习方法已迅速建立，但图像级与像素级标签的稀缺以及可解释透明性的缺乏仍制约着AI的适用性。我们能否以极最小监督识别感染患者并勾画感染区域？半监督学习已在有限标注数据与充足无标注数据下展现出良好性能。受半监督学习启发，我们提出一种模型无关的校准伪标签策略，并将其应用于一致性正则化框架下，以生成可解释的识别与勾画结果。我们结合有限标注数据与充足无标注数据或弱标注数据证明了模型的有效性。大量实验表明，我们的模型能高效利用有限标注数据，并为临床常规决策提供可解释的分类与分割结果。代码见 https://github.com/ayanglab/XAI COVID-19。
引用
@article{arxiv.2202.07422,
title = {Explainable COVID-19 Infections Identification and Delineation Using Calibrated Pseudo Labels},
author = {Ming Li and Yingying Fang and Zeyu Tang and Chibudom Onuorah and Jun Xia and Javier Del Ser and Simon Walsh and Guang Yang},
journal= {arXiv preprint arXiv:2202.07422},
year = {2022}
}
备注
10 pages, 6 figures, IEEE TETCI Accepted