通过学习参数高效表征改进CNN的COVID-19 CT分类性能
图像与视频处理
2022-12-21 v1 计算机视觉与模式识别
摘要
COVID-19疫情持续在全球快速蔓延，给人类健康与经济带来巨大危机。其早期检测与诊断对于控制进一步传播至关重要。许多基于深度学习的方法已被提出，以辅助临床医生基于计算机断层扫描成像进行COVID-19自动诊断。然而，挑战依然存在，包括现有数据集数据多样性低，以及深度学习模型因准确率和灵敏度不足导致的检测效果不佳。为增强数据多样性，我们设计了增量级别的增强技术，并将其应用于最大的开放获取基准数据集COVIDx CT-2A。同时，本研究提出源自对比学习的相似性正则化（SR），使CNN能够学习更具参数效率的表征，从而提升CNN的准确率与灵敏度。在七个常用CNN上的结果表明，通过应用所设计的增强与SR技术，CNN性能可稳定提升。特别地，带SR的DenseNet121在三分类（正常、非COVID-19肺炎、COVID-19肺炎）的三次试验中达到平均测试准确率99.44%。其在COVID-19肺炎类别上的精确率、灵敏度和特异度分别为98.40%、99.59%和99.50%。这些统计表明，我们的方法已在COVIDx CT-2A数据集上超越现有最先进（SOTA）方法。
引用
@article{arxiv.2208.04718,
title = {Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation},
author = {Yujia Xu and Hak-Keung Lam and Guangyu Jia and Jian Jiang and Junkai Liao and Xinqi Bao},
journal= {arXiv preprint arXiv:2208.04718},
year = {2022}
}