用于 COVID-19 胸部 X 射线图像鲁棒分类的双生增强架构
计算机视觉与模式识别
2021-02-17 v1 机器学习
摘要
COVID-19 的金标准是 RT-PCR，其检测设施有限且并非总是最优分布。检测结果延迟，影响治疗。专家放射科医生（其中一位为本文合著者）能够从胸部 X 射线（CXR）和 CT 扫描诊断 COVID-19 阳性，从而有助于及时治疗。此类诊断在缺乏具有充足专业知识和 COVID-19 患者经验的放射科医生的地区尤其有价值。本文有两点贡献。其一，我们分析基于 CXR 的 COVID-19 诊断文献。我们表明，流行的数据集选择存在数据同质性问题，导致误导性结果。我们从多个现有异质来源编译并分析了一个可行的基准数据集。此类基准对于现实地测试模型十分重要。我们的第二个贡献涉及从不平衡数据中学习。用于 COVID X 射线分类的数据集面临严重的类别不平衡，因为大多数受试者为 COVID 阴性。双生支持向量机（Twin SVM）和双生神经网络（Twin NN）近年来已成为处理偏斜数据的有效方法。我们引入一种称为双生增强（Twin Augmentation）的最先进的技术，用于修改流行的预训练深度学习模型。双生增强在不需重新训练的情况下提升预训练深度神经网络的性能。实验表明，在众多分类器中，双生增强在提升给定预训练模型于不平衡环境下的分类性能方面非常有效。
引用
@article{arxiv.2102.07975,
title = {Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images},
author = {Kartikeya Badola and Sameer Ambekar and Himanshu Pant and Sumit Soman and Anuradha Sural and Rajiv Narang and Suresh Chandra and Jayadeva},
journal= {arXiv preprint arXiv:2102.07975},
year = {2021}
}