Robust COVID-19 Detection in CT Images with CLIP

在医学影像领域，特别是在 COVID-19 检测方面，深度学习模型面临着重大挑战，如需要大量的计算资源、缺乏良好注释的数据集以及大量未标记的数据。在本文中，我们介绍了第一个轻量级检测器，旨在克服这些障碍，利用冻结的 CLIP 图像编码器和可训练的多层感知器（MLP）。通过条件风险价值（CVaR）来提高鲁棒性和通过损失函数平坦化策略来提高泛化能力，我们的模型旨在在 COVID-19 检测方面具有高效性。此外，我们还整合了师生框架，以利用大量未标记的数据，使我们的模型在固有数据限制下实现了更好的性能。在 COV19-CT-DB 数据集上的实验结果表明了我们方法的有效性，在有监督学习中“宏”F1分数方面，超过了基线最高达10.6％。代码可在 https://github.com/Purdue-M2/COVID-19_Detection_M2_PURDUE 上获得。

COVID-19检测中，深度学习模型面临计算资源不足、数据集缺乏标注和大量未标注数据的挑战。该论文旨在提出一种轻量级检测器，利用冻结的CLIP图像编码器和可训练的多层感知器（MLP）来克服这些障碍，并针对COVID-19检测进行优化。

该论文提出了一种轻量级检测器，结合了CVaR和损失平面平滑策略来提高模型的鲁棒性和泛化能力，并采用师生框架来利用大量未标注数据，从而实现在监督学习中超越基线的性能。

论文使用COV19-CT-DB数据集进行实验，代码开源。该论文的CVaR和损失平面平滑策略可以在其他领域中应用。值得进一步研究的工作包括更好的数据标注和更大规模的数据集。

最近的相关研究包括： 1. COVID-19检测中的深度学习方法综述 2. 基于多模态数据的COVID-19检测 3. 使用对抗生成网络进行COVID-19检测