CT 图像中的鲁棒多源 COVID-19 检测
计算机视觉与模式识别
2026-04-07 v1
摘要
基于胸部 CT 扫描的 COVID-19 检测深度学习模型通常在训练和测试数据来自同一机构时表现良好，但当扫描数据来自具有不同扫描仪、成像协议和患者群体的多个中心时，它们往往表现不佳。一个关键原因是现有方法将 COVID-19 分类视为唯一的训练目标，而没有考虑每次扫描的数据来源。因此，学习到的表征往往偏向于贡献更多训练数据的中心。为了解决这个问题，我们提出了一种多任务学习方法，其中模型被训练为同时预测 COVID-19 诊断结果和来源数据中心。这两个任务共享一个 EfficientNet-B7 骨干网络，这促使特征提取器学习在所有四个参与中心都适用的表征。由于训练数据在各来源之间分布不均，我们对来源分类头应用了对数调整交叉熵损失 [1]，以防止代表性不足的中心被忽略。我们的预处理遵循带有 KDS 的 SSFL 框架 [2]，为每次扫描选择八个代表性切片。我们的方法在 308 次扫描的验证集上取得了 0.9098 的 F1 分数和 0.9647 的 AUC-ROC。代码已公开于 https://github.com/Purdue-M2/-multisource-covid-ct。
引用
@article{arxiv.2604.03320,
title = {Robust Multi-Source Covid-19 Detection in CT Images},
author = {Asmita Yuki Pritha and Jason Xu and Daniel Ding and Justin Li and Aryana Hou and Xin Wang and Shu Hu},
journal= {arXiv preprint arXiv:2604.03320},
year = {2026}
}
备注
8 pages, 5 figures, 3 tables. Accepted at the 3rd Workshop on New Trends in AI-Generated Media and Security (AIMS) @ CVPR 2026