Nghiên cứu này áp dụng phương pháp tự học có giám sát để chẩn đoán nhiễm virus Corona (Covid-19) trong số hàng loạt các bệnh viêm phổi khác và các trường hợp bình thường dựa trên hình ảnh chụp cắt lớp vi tính/ máy tính ngực (thường gọi là chụp CT – Computed Tomography). Nhận thức và đánh giá các hình ảnh (ảnh chụp) y tế trong các tình huống thực tế thiếu các bộ/tập dữ liệu được xác minh/đánh giá rõ ràng và chưa được gắn nhãn rõ ràng, đây được coi là một thách thức lớn đối với việc học có giám sát, chúng tôi đã sử dụng thuật toán Momentum Contrast v2 (MoCo v2) để pre-train với nghiên cứu “Tự giám sát được đề xuất Mạng hình ảnh y tế (SSL-MedImNet)” với khả năng “khái quát hóa” những dữ liệu quan trọng cần được chú ý(giám gát) chưa được gắn nhãn. Mô hình đề xuất đạt được hiệu suất mong đợi cao và đầy hứa hẹn trong bộ dữ liệu COVIDx CT-2, đây là bộ dữ liệu nổi tiếng và chất lượng cao để đánh giá COVID-19.
Ngoài ra, các bản thể hiện được pre-train(thí nghiệm) của nó có thể đánh giá được tốt cho nhiệm vụ chẩn đoán. Hơn nữa, SSL-MedImNet gần như phù hợp với các tập dữ liệu khác được được giám sát của như COVID-Net CT-1 và COVID-Net CT-2 với những khác biệt nhỏ. Đặc biệt, chỉ với một số lớp dày đặc bổ sung, mô hình đề xuất (nghiên cứu) đạt được độ chính xác về COVID-19 khoảng 88,3% và độ đặc hiệu khoảng 98,4%, đồng thời nó có kết quả cạnh tranh(độ chính xác) đối với các trường hợp bình thường và viêm phổi. Với các kết quả nghiên cứu này, sẽ giúp được các trường hợp sử dụng dữ liệu có giám sát liên quan trong các tình huống thực tế để có kết quả chính xác hơn.
Xem chi tiết bài viết SSL-MedImNet: Self-Supervised Pre-training of Deep Neural Network for COVID-19 Diagnosis | SpringerLink
Publisher/nhà xuất bản: Springer Nature
Authors: Tran, Nhat Minh Hoang; Tran, The Son; Nguyen, Duy Nghiem; Le, Minh Tuan
