SODA：基于半监督开集域适应的胸片新冠检测
图像与视频处理
2020-08-06 v2 计算机视觉与模式识别
机器学习
摘要
由于 COVID-19 病毒检测试剂盒短缺及等待时间长，放射影像被用于补充筛查流程并将患者分诊至不同风险等级。基于深度学习的方法在自动检测胸片中的 COVID-19 疾病方面发挥了积极作用，正如 2020 年初许多近期工作所见。这些工作大多先在现有大规模胸片图像数据集上训练卷积神经网络(CNN)，再以小得多的 COVID-19 数据集微调。然而，由于生物医学影像数据集中存在的大域偏移以及 COVID-19 胸片数据集极小规模这两个问题，跨不同域数据集的直接迁移可能导致 CNN 性能不佳。为尝试解决这两个重要问题，我们将 COVID-19 胸片图像分类问题表述为半监督开集域适应设定，并提出一种新颖的域适应方法——半监督开集域对抗网络(Semi-supervised Open set Domain Adversarial network, SODA)。SODA 能够在一般域空间以及源域与目标域数据的公共子空间中对齐不同域的数据分布。在我们的实验中，SODA 在区分 COVID-19 与普通肺炎方面相比近期最先进模型取得了领先的分类性能。我们还给出了初步结果，显示 SODA 能在胸片中产生更好的病灶定位。
引用
@article{arxiv.2005.11003,
title = {SODA: Detecting Covid-19 in Chest X-rays with Semi-supervised Open Set Domain Adaptation},
author = {Jieli Zhou and Baoyu Jing and Zeya Wang},
journal= {arXiv preprint arXiv:2005.11003},
year = {2020}
}
备注
BIOKDD 2020: 19th International Workshop on Data Mining in Bioinformatics