基于双视野眼底图像的交叉视野Transformer糖尿病视网膜病变分级
计算机视觉与模式识别
2022-12-02 v2
摘要
基于眼底照相的糖尿病视网膜病变（DR）自动分级已被广泛研究以惠及常规筛查与早期治疗。现有研究通常聚焦于单视野眼底图像，其视野有限而不利于精确眼部检查。在临床应用中，眼科医生以双视野眼底照相为主导工具，其中各视野（即黄斑中心和视盘中心）信息高度相关且互补，有助于综合决策。然而，由于缺少公开可用数据集与有效融合策略，基于双视野眼底照相的自动DR分级仍具挑战。本工作中，我们首先构建了用于DR分级的新基准数据集（DRTiD），包含3100张双视野眼底图像。据我们所知，它是具有多样且高质量双视野图像的最大公开DR数据集。随后，我们提出一种新颖的DR分级方法，即交叉视野Transformer（CrossFiT），以捕获两视野间对应关系及每视野内长程空间关联。考虑到固有的双视野几何约束，我们特别定义了对齐位置嵌入以保留眼底中相对一致的位置。此外，我们在交互过程中执行掩码交叉视野注意力以滤除视野间噪声关系。在我们DRTiD数据集与公开DeepDRiD数据集上的大量实验证明了CrossFiT网络的有效性。新数据集与CrossFiT源代码将公开于 https://github.com/FDU-VTS/DRTiD。
引用
@article{arxiv.2211.14552,
title = {Cross-Field Transformer for Diabetic Retinopathy Grading on Two-field Fundus Images},
author = {Junlin Hou and Jilan Xu and Fan Xiao and Rui-Wei Zhao and Yuejie Zhang and Haidong Zou and Lina Lu and Wenwen Xue and Rui Feng},
journal= {arXiv preprint arXiv:2211.14552},
year = {2022}
}
备注
BIBM 2022