基于鲁棒弱监督学习的多中心CT图像COVID-19识别
图像与视频处理
2021-12-10 v1 计算机视觉与模式识别
机器学习
摘要
世界目前正经历一种名为2019冠状病毒病（即COVID-19）的传染病的持续大流行，该病由严重急性呼吸综合征冠状病毒2（SARS-CoV-2）引起。计算机断层扫描（CT）在评估感染严重程度方面发挥着重要作用，也可用于识别有症状和无症状的COVID-19携带者。随着COVID-19患者累计数量的激增，放射科医生手动检查CT扫描的压力日益增大。因此，亟需一种自动化的3D CT扫描识别工具，因为手动分析对放射科医生而言耗时，且其疲劳可能导致误判。然而，由于不同医院CT扫描仪的技术规格各异，CT图像的外观可能有显著差异，导致许多自动图像识别方法失效。因此，多中心和多扫描仪研究中的多域偏移问题并非平凡，且对于可靠的识别以及可重复和客观的诊断与预后至关重要。在本文中，我们提出了一种名为冠状病毒信息融合与诊断网络（CIFD-Net）的COVID-19 CT扫描识别模型，该模型通过一种新的鲁棒弱监督学习范式能有效处理多域偏移问题。我们的模型能可靠且高效地解决CT扫描图像中不同外观的问题，同时与其他最先进的方法相比达到更高的准确率。
引用
@article{arxiv.2112.04984,
title = {Robust Weakly Supervised Learning for COVID-19 Recognition Using Multi-Center CT Images},
author = {Qinghao Ye and Yuan Gao and Weiping Ding and Zhangming Niu and Chengjia Wang and Yinghui Jiang and Minhao Wang and Evandro Fei Fang and Wade Menpes-Smith and Jun Xia and Guang Yang},
journal= {arXiv preprint arXiv:2112.04984},
year = {2021}
}
备注
32 pages, 8 figures, Applied Soft Computing