深度学习框架用于眼弓形体病自动诊断的基准测试：分类与分割的综合方法
图像与视频处理
2023-05-19 v1 人工智能
计算机视觉与模式识别
摘要
眼弓形体病（OT）是由弓形虫（T. gondii）引起的常见眼部感染，可导致视力问题。诊断通常通过临床检查和成像进行，但这些方法可能复杂且昂贵，需要训练有素的人员。为解决此问题，我们创建了一项基准研究，评估现有预训练网络利用迁移学习技术从眼底图像检测OT的有效性。此外，我们还分析了基于迁移学习的分割网络对图像中病灶的分割性能。本研究旨在为未来希望利用深度学习（DL）技术并开发廉价、自动、易用且准确诊断方法的研究人员提供指导。我们对不同特征提取技术进行了深入分析，以找出OT分类与病灶分割的最优方案。对于分类任务，我们评估了 VGG16、MobileNetV2、InceptionV3、ResNet50 和 DenseNet121 等预训练模型。其中，MobileNetV2 在准确率（Acc）、召回率和F1分数上优于所有其他模型，其 Acc 比第二佳模型 InceptionV3 高0.7%。然而，DenseNet121 在精确率上取得最佳结果，比 MobileNetV2 高0.1%。对于分割任务，本文采用了 U-Net 架构。为利用迁移学习，传统 U-Net 的编码器块被替换为 MobileNetV2、InceptionV3、ResNet34 和 VGG16 以评估不同架构，此外还使用了两种不同的损失函数（Dice损失和Jaccard损失）以找出最优者。当训练采用 Jaccard 损失函数时，MobileNetV2/U-Net 在 Acc 和 Dice 分数上分别比 ResNet34 高出0.5%和2.1%。
引用
@article{arxiv.2305.10975,
title = {Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation},
author = {Syed Samiul Alam and Samiul Based Shuvo and Shams Nafisa Ali and Fardeen Ahmed and Arbil Chakma and Yeong Min Jang},
journal= {arXiv preprint arXiv:2305.10975},
year = {2023}
}