基于CT扫描的少样本学习COVID-19诊断
图像与视频处理
2021-02-02 v1 计算机视觉与模式识别
机器学习
摘要
2019冠状病毒病（COVID-19）是一场影响188个国家和地区超过4000万人的国际关注的突发公共卫生事件。胸部计算机断层扫描（CT）成像技术因其高诊断准确率和鲁棒性而受益，已成为COVID-19大规模检测不可或缺的手段。近来，深度学习方法已成为医学图像自动筛查的有效工具，也被考虑用于COVID-19诊断。然而，COVID-19的高感染风险导致收集的标注数据相对稀疏，限制了此类方法的性能。此外，准确标注CT图像需要放射科医生的专业知识，使该过程昂贵且耗时。为解决上述问题，我们提出一种基于监督域自适应的COVID-19 CT诊断方法，该方法在仅有少量标注CT扫描可用时也能有效执行。为弥补标注数据的稀疏性，所提方法利用大量合成COVID-19 CT图像，并通过跨域训练机制将网络从源域（合成数据）调整到目标域（真实数据）。实验结果表明，所提方法在基于少样本COVID-19 CT成像的诊断任务上达到了最先进的性能。
引用
@article{arxiv.2102.00596,
title = {Few-shot Learning for CT Scan based COVID-19 Diagnosis},
author = {Yifan Jiang and Han Chen and David K. Han and Hanseok Ko},
journal= {arXiv preprint arXiv:2102.00596},
year = {2021}
}
备注
Accepted to ICASSP2021