用于COVID-19检测中领域自适应的高置信度伪标签
图像与视频处理
2024-03-21 v1 计算机视觉与模式识别
摘要
本文概述了我们为第 4 届 COV19D 竞赛提交的方案，该竞赛是计算机视觉与模式识别会议（CVPR）上“医学图像分析中 AI 的领域自适应、可解释性与公平性”（DEF-AI-MIA）研讨会的一部分。该竞赛包含两项挑战。第一项是训练一个分类器，从 COV19-CT-DB 数据库的逾千份 CT 扫描中检测是否存在 COVID-19。第二项是进行领域自适应，将挑战 1 的数据集与少量不同分布的扫描（部分已标注，部分未标注）相加。我们对 CT 扫描进行预处理以分割肺部，并输出肺部单独及合并的体积。随后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的集成对未标注的 CT 扫描进行标注，并选择高置信度的预测作为伪标签进行微调。这使得挑战 1 的最佳交叉验证平均 F1 分数达到 93.39%，挑战 2 的平均 F1 分数达到 92.15。
引用
@article{arxiv.2403.13509,
title = {High-confidence pseudo-labels for domain adaptation in COVID-19 detection},
author = {Robert Turnbull and Simon Mutch},
journal= {arXiv preprint arXiv:2403.13509},
year = {2024}
}