MetaCOVID: A Siamese neural network framework with contrastive loss for n-shot diagnosis of COVID-19 patients.
MetaCOVID: A Siamese neural network framework with contrastive loss for n-shot diagnosis of COVID-19 patients.
复制标题
DOI：
10.1016/j.patcog.2020.107700
复制
发表时间：
2021-05
影响因子：
8
通讯作者：
Hossain MS
中科院分区：
文献类型：
--
作者：
Shorfuzzaman M;Hossain MS
模式识别和预测等各种人工智能功能可以有效地用于诊断（识别）和预测2019冠状病毒病（COVID-19）感染，并及时提出应对（补救行动），以最大限度地减少病毒的传播和影响。基于此，本研究提出了一种基于深度元学习的人工智能系统，以加速对胸部x射线（CXR）图像的分析，从而实现COVID-19病例的自动检测。我们提出了一种协同方法，将对比学习与经过微调的预训练ConvNet编码器相结合，以捕获无偏特征表示，并利用暹罗网络对COVID-19病例进行最终分类。我们使用两个公开可用的数据集验证了我们提出的模型的有效性，这些数据集包括来自正常、COVID-19和其他肺炎感染类别的图像。我们的模型在训练样本数量有限的情况下，从CXR图像诊断COVID-19的准确率达到95.6%，AUC为0.97。
Various AI functionalities such as pattern recognition and prediction can effectively be used to diagnose (recognize) and predict coronavirus disease 2019 (COVID-19) infections and propose timely response (remedial action) to minimize the spread and impact of the virus. Motivated by this, an AI system based on deep meta learning has been proposed in this research to accelerate analysis of chest X-ray (CXR) images in automatic detection of COVID-19 cases. We present a synergistic approach to integrate contrastive learning with a fine-tuned pre-trained ConvNet encoder to capture unbiased feature representations and leverage a Siamese network for final classification of COVID-19 cases. We validate the effectiveness of our proposed model using two publicly available datasets comprising images from normal, COVID-19 and other pneumonia infected categories. Our model achieves 95.6% accuracy and AUC of 0.97 in diagnosing COVID-19 from CXR images even with a limited number of training samples.
登录
查看更多内容
影响因子：
9.3
作者：
Hossain, M. Shamim;Muhammad, Ghulam;Guizani, Nadra
通讯作者：
Guizani, Nadra
DOI：
10.1109/tnse.2020.3026637
发表时间：
2022-01
影响因子：
6.6
作者：
Yassine A;Hossain MS
通讯作者：
Hossain MS
影响因子：
10.7
作者：
Shereen, Muhammad Adnan;Khan, Suliman;Siddique, Rabeea
通讯作者：
Siddique, Rabeea
DOI：
10.1109/jsac.2020.3020654
发表时间：
2021-02-01
影响因子：
16.4
作者：
Muhammad, Ghulam;Hossain, M. Shamim;Kumar, Neeraj
通讯作者：
Kumar, Neeraj
影响因子：
8
作者：
Bi, Lei;Feng, David Dagan;Kim, Jinman
通讯作者：
Kim, Jinman