从伪病灶中学习：一种用于 COVID-19 诊断的自监督框架
图像与视频处理
2021-06-24 v1 计算机视觉与模式识别
摘要
2019 冠状病毒病（COVID-19）自 2019 年 12 月首次报道以来已迅速蔓延全球，胸部计算机断层扫描（CT）已成为其诊断的主要工具之一。近年来，基于深度学习的方法在大量图像识别任务中展现出令人印象深刻的性能。然而，它们通常需要大量标注数据用于训练。受 COVID-19 患者 CT 扫描中常见征象磨玻璃影（GGO）的启发，我们在本文中提出一种基于伪病灶生成与修复的用于 COVID-19 诊断的新型自监督预训练方法。我们使用 Perlin 噪声（一种基于梯度噪声的数学模型）生成类病灶模式，随后将其随机粘贴到正常 CT 图像的肺区域以生成伪 COVID-19 图像。正常与伪 COVID-19 图像对随后被用于训练基于 U-Net 的编码器-解码器架构以进行图像修复，该过程无需任何标注数据。预训练的编码器随后使用标注数据微调用于 COVID-19 诊断任务。两个由 CT 图像构成的公开 COVID-19 诊断数据集被用于评估。综合实验结果表明，所提自监督学习方法能提取更好的 COVID-19 诊断特征表示，且该方法在 SARS-CoV-2 数据集与 Jinan COVID-19 数据集上的准确率分别优于大规模图像上预训练的监督模型 6.57% 与 3.03%。
引用
@article{arxiv.2106.12313,
title = {Learning from Pseudo Lesion: A Self-supervised Framework for COVID-19 Diagnosis},
author = {Zhongliang Li and Zhihao Jin and Xuechen Li and Linlin Shen},
journal= {arXiv preprint arXiv:2106.12313},
year = {2021}
}