用于 CT 图像中 COVID-19 感染检测与分类的弱监督深度学习
图像与视频处理
2020-04-15 v1 计算机视觉与模式识别
机器学习
摘要
自 2019 年 12 月下旬起，中国武汉记录了一起新型冠状病毒疾病（即 COVID-19）的暴发，随后在全球范围内成为大流行。尽管 COVID-19 是一种可急性治疗的疾病，但它也可能致命，在中国致死风险为 4.03%，在阿尔及利亚最高达 13.04%，在意大利为 12.67%（截至 2020 年 4 月 8 日）。重症的发生可能由于大量肺泡损伤与进行性呼吸衰竭而导致死亡。尽管实验室检测（例如使用逆转录聚合酶链反应（RT-PCR））是临床诊断的金标准，但检测可能出现假阴性。此外，在大流行形势下，RT-PCR 检测资源的短缺也可能延误后续的临床决策与治疗。在此情形下，胸部 CT 成像已成为 COVID-19 患者诊断与预后评估的重要工具。在本研究中，我们提出一种弱监督深度学习策略，用于从 CT 图像中检测并分类 COVID-19 感染。所提方法可最小化对 CT 图像人工标注的需求，同时仍能获得准确的感染检测并区分 COVID-19 与非 COVID-19 病例。基于定性与定量上所得的有前景结果，我们可预见所开发技术在大规模临床研究中的广泛部署。
引用
@article{arxiv.2004.06689,
title = {Weakly Supervised Deep Learning for COVID-19 Infection Detection and Classification from CT Images},
author = {Shaoping Hu and Yuan Gao and Zhangming Niu and Yinghui Jiang and Lao Li and Xianglu Xiao and Minhao Wang and Evandro Fei Fang and Wade Menpes-Smith and Jun Xia and Hui Ye and Guang Yang},
journal= {arXiv preprint arXiv:2004.06689},
year = {2020}
}
备注
21 pages, 7 figures