CDNet：用于眼部 B 超细粒度图像分类的对比解耦网络
计算机视觉与模式识别
2022-06-20 v1
摘要
B 超模态下图像的精确快速分类对于眼部疾病诊断至关重要。然而，区分超声中的各类疾病对经验丰富的眼科医生而言仍具挑战。因此，本工作提出了一种新颖的对比解耦网络（CDNet），旨在应对超声图像中眼部异常的细粒度图像分类（FGIC）难题，包括眼内肿瘤（IOT）、视网膜脱离（RD）、后巩膜葡萄肿（PSS）和玻璃体出血（VH）。CDNet 的三个核心组件分别为弱监督病灶定位模块（WSLL）、对比多缩放（CMZ）策略以及超球面对比解耦损失（HCD-Loss）。这些组件从输入与输出两方面促进特征解耦以实现细粒度识别。所提 CDNet 在我们的 ZJU 眼部超声数据集（ZJUOUSD）上进行了验证，该数据集包含 5213 个样本。此外，CDNet 的泛化能力在两个公开且广泛使用的胸部 X 光 FGIC 基准上得到了验证。定量与定性结果证明了我们所提 CDNet 的有效性，其在 FGIC 任务中达到了最先进的性能。代码见：https://github.com/ZeroOneGame/CDNet-for-OUS-FGIC。
引用
@article{arxiv.2206.08524,
title = {CDNet: Contrastive Disentangled Network for Fine-Grained Image Categorization of Ocular B-Scan Ultrasound},
author = {Ruilong Dan and Yunxiang Li and Yijie Wang and Gangyong Jia and Ruiquan Ge and Juan Ye and Qun Jin and Yaqi Wang},
journal= {arXiv preprint arXiv:2206.08524},
year = {2022}
}