COVID-19 数据集中缺陷的解释性分析与修正
图像与视频处理
2021-11-11 v1 计算机视觉与模式识别
摘要
自 2020 年 COVID-19 大流行暴发以来，数百万人死于这一致命病毒。许多尝试旨在设计可检测该病毒的自动化测试方法。全球诸多研究者提出了基于深度学习的方法，利用胸部 X 光片检测 COVID-19。然而，对于大多数研究者所用的公开胸部 X 光数据集存在偏倚的问题，已受到质疑。本文中，我们提出一种两阶段方法以应对这一热点问题。作为方法第一阶段，我们进行了两项实验以表明数据集中偏倚的存在。随后，在第二阶段提出了一个图像分割、超分辨率及基于 CNN 的流程，配合不同图像增强技术，以减轻偏倚影响。当经直方图均衡化继而伽马校正增强的胸部 X 光图像通过第二阶段所提流程时，在其上训练的 InceptionResNetV2 在三类（正常、肺炎与 COVID-19）分类任务中取得了 90.47% 的最高准确率。
引用
@article{arxiv.2111.05679,
title = {Explanatory Analysis and Rectification of the Pitfalls in COVID-19 Datasets},
author = {Samyak Prajapati and Japman Singh Monga and Shaanya Singh and Amrit Raj and Yuvraj Singh Champawat and Chandra Prakash},
journal= {arXiv preprint arXiv:2111.05679},
year = {2021}
}