基于多特征半监督学习的胸片 COVID-19 诊断
图像与视频处理
2021-12-21 v2
摘要
计算机断层扫描（CT）和胸部 X 光（CXR）是用于改善 2019 冠状病毒病（COVID-19）管理的两种主要成像模态。由于成像更快、辐射暴露更少且具成本效益，CXR 优于 CT。然而，与 CT 相比，CXR 图像的解读更具挑战性，因为图像分辨率低且 COVID-19 图像特征与常规肺炎相似。通过深度学习的计算机辅助诊断已被研究以助缓解这些问题并辅助临床医生决策。对大量标注数据的需求是深度学习方法部署于医疗领域的主要问题之一。为此，本工作提出一种使用极少数据训练的半监督学习（SSL）方法。我们将局部相位 CXR 图像特征集成到多特征卷积神经网络架构中，其中 SSL 方法的训练通过教师/学生范式获得。定量评估在 8,851 张正常（健康）、6,045 张肺炎和 3,795 张 COVID-19 的 CXR 扫描上进行。仅使用 7.06% 标注数据和 16.48% 未标注数据训练、5.53% 验证，我们的方法在大规模（70.93%）测试数据上达到 93.61% 平均准确率。我们提供了与全监督和 SSL 方法的对比结果。代码：https://github.com/endiqq/Multi-Feature-Semi-Supervised-Learning-for-COVID-19-CXR-Images
引用
@article{arxiv.2104.01617,
title = {Multi-Feature Semi-Supervised Learning for COVID-19 Diagnosis from Chest X-ray Images},
author = {Xiao Qi and John L. Nosher and David J. Foran and Ilker Hacihaliloglu},
journal= {arXiv preprint arXiv:2104.01617},
year = {2021}
}