用 X 光检测新冠肺炎？也许孪生网络+迁移学习是更好的选择！

始于2019年的新冠肺炎仍然肆虐全球，快速低成本检测该疾病成为了医学技术领域最热门的话题，早已有专家发现，核酸+胸部医学影像检测相结合是更可信的检测手段。

胸部X光影像是低成本的检测技术，但深度学习往往需要大量的训练样本，但目前公开可获得的样本不过数千。如何在样本不足的情况下使用深度学习进行检测呢？迁移学习是很不错的选择！但还可以更好吗？

今天公开的一篇论文 COVID-19 detection from scarce chest x-ray image data using deep learning 使用孪生网络在这个少样本学习问题中做了实验，取得了不错的效果。作者已经开源了代码。

论文作者信息：

胸部X光影像示例：

上图中covid为新冠肺炎样本，Viral Pneumonia 为普通肺炎，Normal为正常样本。

作者使用的数据集来自kaggle：

1. https://www.kaggle.com/tawsifurrahman/covid19-radiography-database
2. https://www.kaggle.com/pranavraikokte/covid19-image-dataset

数据集1 含有 1200幅 COVID-19阳性图像，1341幅正常图像和1345普通肺炎图像。数据集2 含有317幅图像，也分为上述三类。

普通迁移学习的示意图：

将在其他相近任务数据集上训练的权重进行微调，进行不同肺炎的分类训练。

孪生网络用于分类的方法示例：

同时输入两幅图像，经过图像增广+共享权重的CNN网络提取特征，模型目标是判断提取到的特征是否来自同一类。

很显然，孪生网络既可以从头训练，也可以将其中CNN网络替换为预训练模型的权重，这就是孪生网络+迁移学习。

作者在前述数据集中进行了实验，孪生网络+迁移学习取得了最好的分类结果，在各项指标中全面领先。

如下图：

对比技术包括逻辑回归、5层CNN、VGG16迁移学习、从头训练的孪生网络。

也许提到图像分类，我们往往会想到预训练模型+迁移学习，但在少样本学习中，孪生网络也是一个值得尝试的不错选择。但愿在其他任务中也有效！

论文：

https://arxiv.org/pdf/2102.06285.pdf

代码：

https://github.com/shruti-jadon/Covid-19-Detection