血管混合下的一致后验分布:一种用于跨域视网膜动脉/静脉分类的正则化方法
计算机视觉与模式识别
2021-06-21 v2
摘要
视网膜动脉/静脉(A/V)分类是诊断糖尿病与心血管疾病的关键技术。尽管基于深度学习的方法在 A/V 分类中取得了令人印象深刻的成果,但由于域偏移(例如由成像协议差异引起),其性能在直接应用于另一数据库时通常会严重下降。在本文中,我们提出一种新颖的基于血管混合的一致性正则化框架,用于视网膜 A/V 分类中的跨域学习。特别地,为缓解对源域的严重偏置,基于标签平滑先验,模型被正则化以对受扰动的未标记目标域输入给出一致预测。该一致性正则化隐式引入了一种模型与扰动相互对抗的机制,其中模型被推动到足够鲁棒以应付扰动。因此,我们研究了一种更困难的对手来进一步激发模型的鲁棒性,在视网膜 A/V 场景下称为血管混合扰动。特别地,它通过区域混合两幅图像有效扰动眼底图像尤其是血管结构。我们利用四个由不同机构与成像设备收集的公共数据集进行了跨域 A/V 分类的广泛实验。结果表明,我们的方法取得了最先进的跨域性能,且接近在目标域上全监督学习所得的上界。
引用
@article{arxiv.2103.09097,
title = {Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification},
author = {Chenxin Li and Yunlong Zhang and Zhehan Liang and Wenao Ma and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:2103.09097},
year = {2021}
}
备注
Accepted to ICIP2021