用于眼底图像糖尿病视网膜病变分级的代价敏感正则化
计算机视觉与模式识别
2020-10-02 v1
摘要
评估生物医学图像中的疾病严重程度是一项类似于标准分类但受标签空间中底层结构约束的任务。该结构反映了不同疾病分级之间的单调关系。本文基于著名的代价敏感分类概念，提出了一种直接的方法来对从眼底图像预测糖尿病视网膜病变（DR）严重程度的任务施加此约束。我们在标准分类损失上扩展了一项额外项作为正则化器，当预测分级与特定图像真实分级偏离越远时施加更大惩罚。此外，我们展示了如何将我们的方法适配到与 DR 分级相关的各子问题中的标签噪声建模，我们称之为原子子任务建模。这产生的模型能隐式考虑 DR 分级标注中固有的噪声。我们在多个公开数据集上的实验分析表明，当使用这一简单策略训练标准卷积神经网络（Convolutional Neural Network）时，可在可忽略的计算成本下取得二次加权 kappa 分数 3-5% 的提升。复现我们结果的代码发布于 https://github.com/agaldran/cost_sensitive_loss_classification。
关键词
引用
@article{arxiv.2010.00291,
title = {Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images},
author = {Adrian Galdran and José Dolz and Hadi Chakor and Hervé Lombaert and Ismail Ben Ayed},
journal= {arXiv preprint arXiv:2010.00291},
year = {2020}
}
备注
This paper has been accepted for publication at MICCAI 2020