RCoNet：用于鲁棒 COVID-19 检测的可变形互信息最大化与高阶不确定性感知学习
图像与视频处理
2021-02-23 v1 计算机视觉与模式识别
摘要
2019 新型冠状病毒（COVID-19）感染已在全球蔓延，目前是世界范围内的重大医疗挑战。胸部计算机断层扫描（CT）和 X 射线图像已被公认为临床 COVID-19 疾病诊断的两种有效技术。由于比 CT 成像更快且成本显著降低，在胸部 X 射线（CXR）图像中检测 COVID-19 更受青睐，可用于高效诊断、评估与治疗。然而，考虑到 COVID-19 与肺炎的相似性，具有分布于类别边界附近的深度特征的 CXR 样本很容易被从有限训练数据学习到的超平面误分类。此外，现有多数 COVID-19 检测方法关注预测精度而忽视不确定性估计，而后者在处理含噪数据集时尤为重要。为缓解这些问题，我们提出一种名为 {\em RCoNet} 的新型深度网络用于鲁棒 COVID-19 检测，其采用{\em 可变形互信息最大化}（DeIM）、{\em 混合高阶矩特征}（MHMF）和{\em 多专家不确定性感知学习}（MUL）。通过 DeIM，输入数据与相应潜在表示之间的互信息（MI）可被良好估计并最大化，以捕获紧凑且解耦的表示特征。同时，MHMF 可充分利用高阶统计量的优势并提取医学影像中复杂分布的判别特征。最后，MUL 为每张 CXR 图像创建多个并行 dropout 网络以评估不确定性，从而防止数据中噪声导致的性能退化。
引用
@article{arxiv.2102.11099,
title = {RCoNet: Deformable Mutual Information Maximization and High-order Uncertainty-aware Learning for Robust COVID-19 Detection},
author = {Shunjie Dong and Qianqian Yang and Yu Fu and Mei Tian and Cheng Zhuo},
journal= {arXiv preprint arXiv:2102.11099},
year = {2021}
}