基于有限数据的自适应类别学习用于眼底图像中的糖尿病疾病筛查
计算机视觉与模式识别
2025-01-22 v1 人工智能
摘要
全球视力疾病的发病率正在不断上升，这构成了重大的公共卫生挑战。早期检测和及时干预对于预防视力受损和提高患者预后至关重要。本研究提出了一种名为“有限数据下的类别扩展”(Class Extension with Limited Data, CELD)的新型框架，用于训练分类器对视网膜眼底图像进行分类。该分类器首先训练以识别与健康和糖尿病视网膜病变(DR)类别相关的特征，随后微调以适应将输入图像分类为三个类别(健康、DR和青光眼)的任务。这种策略使模型能够逐步增强其分类能力，在标注数据有限的情境下尤为有益。我们还采用扰动方法以识别影响模型决策的输入图像特征。我们在公开数据集上实现了91%的总体准确率。
引用
@article{arxiv.2501.12048,
title = {Adaptive Class Learning to Screen Diabetic Disorders in Fundus Images of Eye},
author = {Shramana Dey and Pallabi Dutta and Riddhasree Bhattacharyya and Surochita Pal and Sushmita Mitra and Rajiv Raman},
journal= {arXiv preprint arXiv:2501.12048},
year = {2025}
}
备注
Accepted at International Conference on Pattern Recognition (ICPR) 2024