用于COVID-19病灶量化的纵向自监督方法
图像与视频处理
2022-03-22 v1 计算机视觉与模式识别
摘要
在 global pandemic 期间，随时间量化 COVID-19 感染情况是管理患者住院的一项重要任务。近来，基于深度学习的方法被提出以帮助放射科医生在纵向 CT 扫描上自动量化 COVID-19 病灶。然而，深度学习方法的训练过程需要大量训练数据，以学习纵向扫描中感染区域的复杂特征。收集大规模数据集尤其是用于纵向训练的数据集具有挑战性。在本研究中，我们旨在通过提出一种新的自监督学习方法来有效训练纵向网络以量化 COVID-19 感染，从而解决该问题。为此，我们在临床纵向 COVID-19 CT 扫描上探索了纵向自监督方案。实验结果表明，所提方法有效，帮助模型更好地利用纵向数据的语义并改善两项 COVID-19 量化任务。
引用
@article{arxiv.2203.10804,
title = {Longitudinal Self-Supervision for COVID-19 Pathology Quantification},
author = {Tobias Czempiel and Coco Rogers and Matthias Keicher and Magdalini Paschali and Rickmer Braren and Egon Burian and Marcus Makowski and Nassir Navab and Thomas Wendler and Seong Tae Kim},
journal= {arXiv preprint arXiv:2203.10804},
year = {2022}
}
备注
10 pages, 3 figures