基于信息论的表征学习用于COVID-19检测
图像与视频处理
2022-07-05 v1 计算机视觉与模式识别
摘要
成功的数据表征是基于机器学习的医学影像分析中的一个基本因素。深度学习(DL)在鲁棒表征学习中已起到重要作用。然而,深度模型难以泛化到未见过的数据,容易对复杂模式过拟合。因此,我们可以方便地实施策略以帮助深度模型从数据中发现有用的先验以学习其内在属性。我们称为双角色网络(DRN)的模型使用了一种基于最小二乘互信息(LSMI)的依赖最大化方法。LSMI利用依赖度量来保证表征不变性与局部平滑性。尽管先前工作已使用互信息等已知因密度估计步骤而计算昂贵的信息论度量,我们的LSMI公式缓解了难以处理的互信息估计问题,并可用于近似它。基于CT的COVID-19检测与COVID-19严重程度检测基准实验证明了我们方法的有效性。
引用
@article{arxiv.2207.01437,
title = {Representation Learning with Information Theory for COVID-19 Detection},
author = {Abel Díaz Berenguer and Tanmoy Mukherjee and Matias Bossa and Nikos Deligiannis and Hichem Sahli},
journal= {arXiv preprint arXiv:2207.01437},
year = {2022}
}