COROLLA：一种用于青光眼分级的带监督对比学习的高效多模态融合框架
图像与视频处理
2022-01-26 v2 计算机视觉与模式识别
摘要
青光眼是可能导致失明的眼科疾病之一，早期检测和治疗非常重要。眼底图像和光学相干断层扫描（OCT）图像都是诊断青光眼中广泛使用的模态。然而，现有的青光眼分级方法主要利用单一模态，忽略了眼底与OCT之间的互补信息。本文提出一种高效的多模态监督对比学习框架，名为COROLLA，用于青光眼分级。通过层分割以及厚度计算与投影，从原始OCT体数据中提取视网膜厚度图并用作替代模态，从而以更少的内存占用实现更高效的计算。鉴于医学图像样本间较高的结构与分布相似性，我们采用监督对比学习以提升模型的判别能力并获得更好的收敛性。此外，对配对的眼底图像与厚度图进行特征级融合以提高诊断准确率。在GAMMA数据集上，我们的COROLLA框架相比最先进方法取得了压倒性的青光眼分级性能。
引用
@article{arxiv.2201.03795,
title = {COROLLA: An Efficient Multi-Modality Fusion Framework with Supervised Contrastive Learning for Glaucoma Grading},
author = {Zhiyuan Cai and Li Lin and Huaqing He and Xiaoying Tang},
journal= {arXiv preprint arXiv:2201.03795},
year = {2022}
}
备注
5 pages, To be published in ISBI 2022