基于判别性代价敏感学习的胸片新冠肺炎鲁棒筛查
图像与视频处理
2020-05-22 v2 计算机视觉与模式识别
机器学习
摘要
本文针对基于胸片的2019冠状病毒病（COVID-19）自动筛查这一新问题，该问题对于快速阻断大流行具有迫切需求。然而，由于两个瓶颈，从胸片中鲁棒且准确地筛查COVID-19仍是全球公认的难题：1）COVID-19的影像特征在胸片上与其他肺炎有一定相似性；2）COVID-19的误诊率很高，且误诊代价昂贵。尽管少数开创性工作已取得诸多进展，但它们低估了这两个关键瓶颈。本文报告我们的解决方案——判别性代价敏感学习（DCSL），若临床需要从胸片辅助筛查COVID-19，它应是首选。DCSL结合了细粒度分类与代价敏感学习两者的优势。首先，DCSL提出条件中心损失以学习深度判别性表示。其次，DCSL建立分数级代价敏感学习，可自适应地放大将COVID-19样本误分类为他类的代价。DCSL非常灵活，可应用于任意深度神经网络。我们收集了一个大规模多类数据集，包含2,239张胸片样本：239张来自确诊COVID-19病例，1,000张来自确诊细菌性或病毒性肺炎病例，以及1,000张健康人样本。在三分类上的大量实验表明，我们的算法显著优于当前最优算法。其准确率达97.01%，精确率97%，灵敏度97.09%，F1分数96.98%。这些结果使我们的算法成为大规模快速筛查COVID-19的高效工具。
引用
@article{arxiv.2004.12592,
title = {Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning},
author = {Tianyang Li and Zhongyi Han and Benzheng Wei and Yuanjie Zheng and Yanfei Hong and Jinyu Cong},
journal= {arXiv preprint arXiv:2004.12592},
year = {2020}
}
备注
Under review