用于COVID-19肺部超声多症状分类的半监督主动学习
计算机视觉与模式识别
2021-03-02 v2 机器学习
图像与视频处理
摘要
超声（US）是一种无创且有效的用于 COVID-19 全球大流行的医学诊断成像技术。然而，由于超声图像特征行为复杂且标注昂贵，难以应用人工智能（AI）辅助方法进行肺部多症状（多标签）分类。为克服这些困难，我们提出了一种新颖的半监督双流主动学习（TSAL）方法，以在迭代过程中建模复杂特征并降低标注成本。TSAL 的核心组件是多标签学习机制，其中利用标签相关性信息设计多标签边界（MLM）策略和置信度验证，用于自动选择信息量样本和置信标签。在此基础上，提出一种多症状多标签（MSML）分类网络来学习肺部症状的判别性特征，并利用人机交互确认最终标注，这些标注用于以渐进标注数据微调 MSML。此外，构建了一个名为 COVID19-LUSMS 的新型肺部超声数据集，目前包含 71 名临床患者，从 678 个视频中采样的 6,836 张图像。实验评估表明，仅使用 20% 数据的 TSAL 性能优于基线方法和当前最优（SOTA）方法。定性地，注意力图和样本分布的可视化证实了与临床知识良好的一致性。
引用
@article{arxiv.2009.05436,
title = {Semi-Supervised Active Learning for COVID-19 Lung Ultrasound Multi-symptom Classification},
author = {Lei Liu and Wentao Lei and Yongfang Luo and Cheng Feng and Xiang Wan and Li Liu},
journal= {arXiv preprint arXiv:2009.05436},
year = {2021}
}