从单张放射学图像学习COVID-19诊断
图像与视频处理
2020-06-23 v1 计算机视觉与模式识别
机器学习
摘要
放射学图像目前被用作临床上COVID-19诊断的视觉证据。利用深度模型实现自动化的感染测量与COVID-19诊断，对于基于放射学影像的快速检查十分重要。遗憾的是，在早期阶段系统地收集大量训练数据十分困难。为解决该问题，我们借助合成多样化的放射学图像，探索了从单张放射学图像学习COVID-19诊断深度模型的可行性。具体而言，我们提出了一种新颖的条件生成模型，称为CoSinGAN，它可以从带有给定条件（即肺部与COVID-19感染的标注）的单张放射学图像中学习。我们的CoSinGAN能够捕捉COVID-19感染视觉表现的条件分布，并进一步合成与输入条件精确匹配的多样化高分辨率放射学图像。在CoSinGAN合成样本上训练的深度分类与分割网络均取得了显著的COVID-19感染检测准确率。这些结果显著优于在相同极少真实样本（1或2个真实样本）上借助强数据增强训练的对等模型，并接近于在大型数据集（2846张真实图像）上训练的对等模型。这证实了我们的方法能显著缩小在极小数据集与大型数据集上训练的深度模型之间的性能差距，从而有望在COVID-19大流行早期实现从少量放射学图像学习COVID-19诊断。我们的代码已公开于 https://github.com/PengyiZhang/CoSinGAN。
引用
@article{arxiv.2006.12220,
title = {Learning Diagnosis of COVID-19 from a Single Radiological Image},
author = {Pengyi Zhang and Yunxin Zhong and Xiaoying Tang and Yunlin Deng and Xiaoqiong Li},
journal= {arXiv preprint arXiv:2006.12220},
year = {2020}
}