RANDGAN：用于胸片中 COVID-19 检测的随机化生成对抗网络
图像与视频处理
2020-10-14 v1 计算机视觉与模式识别
机器学习
摘要
COVID-19 以极快的速度在全球蔓延，使医疗系统在以所需速度诊断和检测患者方面陷入瘫痪。研究表明，在胸片上从病毒性细菌性肺炎中检测 COVID-19 取得了有前景的结果。在医疗系统缺乏足够数量的逆转录聚合酶链反应（RT-PCR）检测的情况下，使用医学图像自动进行 COVID-19 检测可加快患者的检测过程。卷积神经网络（CNN）等监督式深度学习模型需要所有类别有足够的标注数据才能正确学习检测任务。收集标注数据是一项繁琐的任务，需要时间和资源，这可能会在 COVID-19 等大流行的早期阶段进一步加重医疗系统和放射科医生的负担。在本研究中，我们提出一种随机化生成对抗网络（RANDGAN），它可在无需未知类别图像（COVID-19）的标注和训练数据的情况下，从已知且已标注的类别（正常和病毒性肺炎）中检测出未知类别（COVID-19）的图像。我们使用了最大的公开可用 COVID-19 胸片数据集 COVIDx，它由来自多个公共数据库的正常、肺炎和 COVID-19 图像组成。在这项工作中，我们使用迁移学习在 COVIDx 数据集中分割肺部。接下来，我们说明了为何分割感兴趣区域（肺部）对于正确学习分类任务至关重要，特别是在包含来自不同资源图像的数据集中（COVIDx 数据集即如此）。最后，我们展示了使用我们的生成模型（RANDGAN）在检测 COVID-19 病例方面相比用于医学图像异常检测的传统生成对抗网络（GAN）有所改进，将 ROC 曲线下面积从 0.71 提升至 0.77。
引用
@article{arxiv.2010.06418,
title = {RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray},
author = {Saman Motamed and Patrik Rogalla and Farzad Khalvati},
journal= {arXiv preprint arXiv:2010.06418},
year = {2020}
}