MetaCOVID算法阅读笔记

论文地址：MetaCOVID: A Siamese neural network framework with contrastive loss for n-shot diagnosis of COVID-19 patients

算法介绍：

上述图片是算法结构图，整体流程和典型的Siamese网络结构相似，但更换了子网络的结构，使用的是VGG-16。

损失函数有两个备选，分别是比较损失函数和二分类交叉熵损失函数：

 

 经过实验2的对比后，最终选择了比较损失函数。

数据集：

开源数据集：

1. Dr. Joseph Cohen在GitHub上创建的数据集，包括COVID19,呼吸综合征等多个类别的样本，230个患者样本，数据源不断更新。[J. Cohen. COVID-19 image data collection, 2020. https://github.com/ieee8023/ covid-chestxray-dataset]

2. Kaggle上的数据集，有肺炎和健康两种类别，共有5856个样本。[ Chest X-Ray Images (Pneumonia), https://www.kaggle.com/ paultimothymooney/chest-xray-pneumonia]

本文使用的都是CXR images（胸部X光检查图片），从以上两个数据集，分别抽取226个COVID-19[数据集1]，健康[数据集2]和肺炎[数据集2]，共678个样本用于本次实验。

样本也应用于VGG-16的预训练，数据的划分比例见下表。

D（支持集）：包括K类，每类有 N个样本，共有K*N个样本

Q（查询集）：来自K个不同类别的多个样本，用于测试模型效果。

训练过程：

预处理：由于数据集中的图像来自不同的地点和不同的临床环境，图像的强度和质量相差很大。然而，我们避免了对数据集中的CXR图像进行大量预处理，从而提高了我们提出的Siamese网络模型的泛化能力。这反过来使我们的模型在从输入图像中提取特征嵌入时，对图像中出现的伪像和噪声更加鲁棒。

1. 将所有图像重新缩放为100 x 100像素的大小，以获得整个数据集的一致图像尺寸。

2. 执行强度归一化，也称为缩放，这是一个重要的预处理任务，以加快模型收敛，消除特征偏差，获得一个均匀的分布的数据集。

3. 利用最小-最大归一化技术将图像像素值[0,255]转换为[0,1]，得到一个标准的正态分布。

4. 最后，对所有三个RGB通道的输入图像进行直方图均衡化，以提高图像的对比度。这通常是通过有效地拉伸最常用的强度值来实现的，从而使局部对比度较差的区域获得更好的对比度。

预训练使用Adam优化器，0.0001的初始学习率，后期学习率会使用Keras的ReduceLROnPlateau callback 调整。具体的与训练操作描述在原文中详细写了[5.2. Experimental settings]，这里不赘述。

训练过程：

使用tensorflow实现，python3.x

测试过程：

用到的指标：PPV ，TPR，TNR，FPR，F1-score，AUC.

根据算法图中的流程，以及原文中的描述，测试过程“个人理解”为：输入测试样本到一支子网络，得到编码后的特征（记为A），将k类的n个“标准”样本（k-way n-shot）输入一支子网络得到编码特征（记为B），计算A和B的欧式距离，如果距离小于设定的阈值，则测试样本与该标准样本为同一类。

实验设计：

1. 比较不同shot数的结果：设置每类的shot数为7-10.

2. 比较交叉熵损失函数对算法的影响：设置shot数为7-10，比较不同shot数时交叉熵损失函数的效果。

在shot=10时，交叉熵损失函数的效果最好。

在shot=10时，对比“比较损失函数”和“交叉熵损失函数”的loss值和准确率变化情况。

比较损失函数在epoch=175时，loss趋于稳定，而交叉熵损失函数在epoch=100时就区域稳定了，但是考虑到比较损失函数更加稳定且收敛性更好，最终选择比较损失函数。

3.比较Siamese网络于其他预训练过的CNN模型

4.将模型应用在二分类上的效果：

总结：

1. 提出的模型具有95.6%的准确性。

2. 提出的模型表现优于那些预训练好的CNN模型。

3.模型缺乏可解释性。