基于少样本学习的眼底照片中罕见病变自动检测
计算机视觉与模式识别
2020-02-11 v3
摘要
近几十年来，糖尿病视网膜病变（DR）筛查网络中收集了大量眼底照片数据集。通过深度学习，这些数据集被用于训练 DR 及少数其他常见病变的自动检测器，以期实现筛查自动化。目前限制此类系统应用的一个挑战是：自动检测器忽略了眼科医生当前可检出的罕见情况，如视乳头水肿或前部缺血性视神经病变。原因在于标准深度学习需要过多此类情况的样本。然而，这一局限可通过少样本学习解决——该机器学习范式下，分类器在训练时未见过某一新类别，仅给定该类别少量样本即须泛化至该类别。本文提出一种新的少样本学习框架，将针对常见病变训练的卷积神经网络（CNNs）扩展以无监督概率模型用于罕见病变检测。其基于如下观察：CNNs 常将含相同异常的照片视为相似，即便这些 CNNs 本为检测不相关病变而训练。该观察基于 t-SNE 可视化工具，我们决定将其纳入概率模型。在来自 OPHDIAT 筛查网络的 164,660 例筛查检查数据集上的实验表明，41 种病变中的 37 种可被检测出 ROC 曲线下面积（AUC）大于 0.8（平均 AUC：0.938）。特别地，该框架显著优于其他罕见病变检测框架，包括多任务学习、迁移学习以及另一种少样本学习方案 Siamese 网络。我们期望这些更丰富的预测能推动自动化眼病理筛查的采用，从而革新眼科临床实践。
引用
@article{arxiv.1907.09449,
title = {Automatic detection of rare pathologies in fundus photographs using few-shot learning},
author = {Gwenolé Quellec and Mathieu Lamard and Pierre-Henri Conze and Pascale Massin and Béatrice Cochener},
journal= {arXiv preprint arXiv:1907.09449},
year = {2020}
}