利用大量无标签与有限有标签 COVID-19 数据的不确定性感知半监督方法
图像与视频处理
2021-12-28 v2 计算机视觉与模式识别
摘要
新冠病毒已造成逾百万死亡并持续快速传播。该病毒靶向肺部，引起轻度或重度的呼吸窘迫。肺部 X 光或计算机断层扫描(CT)图像可揭示患者是否感染 COVID-19。许多研究者正尝试利用人工智能改进 COVID-19 检测。我们的动机是开发一种能应对标注数据准备耗时或昂贵场景的自动方法。在本文中，我们提出一种利用有限有标签数据的半监督分类(SCLLD)，其依赖 Sobel 边缘检测与生成对抗网络(GANs)以实现 COVID-19 诊断自动化。GAN 判别器输出为一个概率值，在本文中用于分类。所提系统使用从 Omid 医院收集的 10,000 张 CT 扫描进行训练，同时使用一个公共数据集验证我们的系统。所提方法与高斯过程等其他最先进的监督方法进行比较。据我们所知，这是首次提出用于 COVID-19 检测的半监督方法。我们的系统能够从有限有标签与无标签数据的混合中学习，而监督学习器因缺乏足量有标签数据而失败。因此，当由标签训练数据稀缺时，我们的半监督训练方法显著优于卷积神经网络(CNN)的监督训练。我们方法在准确率、灵敏度和特异度上的 95% 置信区间分别为 99.56 +- 0.20%、99.88 +- 0.24% 和 99.40 +- 0.18%，而 CNN(监督训练)的区间分别为 68.34 +- 4.11%、91.2 +- 6.15% 和 46.40 +- 5.21%。
引用
@article{arxiv.2102.06388,
title = {Uncertainty-Aware Semi-Supervised Method Using Large Unlabeled and Limited Labeled COVID-19 Data},
author = {Roohallah Alizadehsani and Danial Sharifrazi and Navid Hoseini Izadi and Javad Hassannataj Joloudari and Afshin Shoeibi and Juan M. Gorriz and Sadiq Hussain and Juan E. Arco and Zahra Alizadeh Sani and Fahime Khozeimeh and Abbas Khosravi and Saeid Nahavandi and Sheikh Mohammed Shariful Islam and U Rajendra Acharya},
journal= {arXiv preprint arXiv:2102.06388},
year = {2021}
}