基于多尺度深度特征稀疏编码的视网膜图像异常检测
计算机视觉与模式识别
2022-01-28 v1
摘要
卷积神经网络(CNN)模型已成功从光学相干断层扫描(OCT)和眼底图像中检测视网膜疾病。这些 CNN 模型频繁依赖大量标注数据进行训练，而这类数据难以获取，尤其是对于罕见疾病。此外，仅在含一种或少数几种疾病的数据集上训练的深度学习方法无法检测其他疾病，限制了该系统在疾病识别中的实际应用。为克服此问题，我们引入了一种无监督方法来检测视网膜图像中的异常。我们提出了一种简单、内存高效、易于训练的方法，其采用多步训练技术，结合了自编码器训练与多尺度深度特征稀疏编码(MDFSC)——常规稀疏编码的扩展版本，以适应多样化的视网膜数据集。我们在 Eye-Q、IDRiD 和 OCTID 数据集上分别相较最先进的 SPADE 取得了 7.8%、6.7% 和 12.1% 的相对 AUC 分数提升。
引用
@article{arxiv.2201.11506,
title = {Anomaly Detection in Retinal Images using Multi-Scale Deep Feature Sparse Coding},
author = {Sourya Dipta Das and Saikat Dutta and Nisarg A. Shah and Dwarikanath Mahapatra and Zongyuan Ge},
journal= {arXiv preprint arXiv:2201.11506},
year = {2022}
}
备注
Accepted to ISBI 2022.\copyright IEEE