糖尿病视网膜病变研究基准:分割、分级与可迁移性
计算机视觉与模式识别
2020-11-12 v3
摘要
糖尿病患者有患一种称为糖尿病视网膜病变(DR)的眼部疾病的风险。当高血糖水平损害视网膜血管时即发生此病。由于深度学习的巨大成功,计算机辅助DR诊断成为早期检测DR与严重程度分级的有力工具。然而,由于缺乏具有一致且细粒度标注的训练数据,当前多数DR诊断系统对眼科医生而言未达满意性能或可解释性。为此,我们构建了包含2,842张图像的大型细粒度标注DR数据集(FGADR)。该数据集含1,842张具像素级DR相关病灶标注的图像,以及1,000张由六位获委员会认证的眼科医生在个体内一致性下分级的图级标签图像。所提数据集将支持DR诊断的广泛研究。我们设立三项基准任务用于评估:1. DR病灶分割;2. 联合分类与分割的DR分级;3. 用于眼部多疾病识别的迁移学习。此外,针对第三任务引入了一种新颖的归纳迁移学习方法。使用不同前沿方法在FGADR数据集上进行了充分实验,可作为未来研究的基线。
引用
@article{arxiv.2008.09772,
title = {A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability},
author = {Yi Zhou and Boyang Wang and Lei Huang and Shanshan Cui and Ling Shao},
journal= {arXiv preprint arXiv:2008.09772},
year = {2020}
}