一种用于OCT B扫描中青光眼分级的自训练框架
计算机视觉与模式识别
2021-11-24 v1 人工智能
机器学习
摘要
本文提出了一种基于自训练、在存在域偏移情况下利用OCT B扫描进行青光眼分级的框架。具体而言,所提出的两步学习法借助第一步生成的伪标签来扩充目标域上的训练数据集,随后用于训练最终的目标模型。这使得知识域能够从无标签数据中迁移。此外,我们提出了一种新颖的青光眼专用骨干网络,通过跳跃连接引入残差与注意力模块,以精炼隐空间的嵌入特征。由此,我们的模型能够从定量与可解释性角度改进当前最优(state-of-the-art, SOTA)方法。所报告的结果表明,所提出的学习策略仅利用源样本的标签,无需额外的标注步骤,即可提升模型在目标数据集上的性能。我们的模型在不同指标上稳定地比基线高出1–3%,并缩小了与在带标签目标数据上训练模型之间的差距。
引用
@article{arxiv.2111.11771,
title = {A self-training framework for glaucoma grading in OCT B-scans},
author = {Gabriel García and Adrián Colomer and Rafael Verdú-Monedero and José Dolz and Valery Naranjo},
journal= {arXiv preprint arXiv:2111.11771},
year = {2021}
}
备注
5 pages, 4 figures, 3 tables, 2 algorithms, international conference