GraphXCOVID：用于胸片 COVID-19 识别的可解释深度图扩散伪标签方法
机器学习
2021-07-06 v2 计算机视觉与模式识别
机器学习
摘要
人们能否在极少量监督下学会诊断 COVID-19？自新型冠状病毒 COVID-19 爆发以来，开发基于人工智能的胸片疾病专家级识别技术已成为迫切需求。特别是，深度监督学习已成为主流范式。然而，此类模型的性能严重依赖于大量且具有代表性的标注数据集的可用性。创建这样的数据集极其昂贵且耗时，对于新发疾病尤具挑战。半监督学习已展现出仅需少量标注样本即可媲美监督模型卓越性能的能力。这使得半监督范式成为识别 COVID-19 的一个有吸引力的选择。本工作中，我们引入了一种基于图的深度半监督框架，用于从胸片中分类 COVID-19。我们的框架提出了一种图扩散优化模型，强化了微小标注集与海量未标注数据之间的自然关联。随后我们将扩散预测输出作为伪标签，在深度网络中以迭代方式使用。实验表明，我们的模型仅用极少标注样本便能超越当前领先的监督模型。最后，我们提供注意力图以契合放射科医生的心理模型，更好地适应其感知与认知能力。这些可视化旨在协助放射科医生判断诊断是否正确，从而加速决策。
引用
@article{arxiv.2010.00378,
title = {GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for Identifying COVID-19 on Chest X-rays},
author = {Angelica I Aviles-Rivero and Philip Sellars and Carola-Bibiane Schönlieb and Nicolas Papadakis},
journal= {arXiv preprint arXiv:2010.00378},
year = {2021}
}