面向糖尿病视网膜病变诊断的卷积神经网络架构自动设计
图像与视频处理
2022-11-09 v2 人工智能
计算机视觉与模式识别
摘要
糖尿病视网膜病变（DR）的全球患病率已达 34.6%，是中年糖尿病患者失明的主要原因。使用眼底照相定期进行 DR 筛查有助于发现其并发症并防止其进展至晚期。由于人工筛查耗时且主观，机器学习（ML）与深度学习（DL）已被用于辅助阅片者。然而，现有基于 CNN 的方法要么使用预训练 CNN 模型，要么采用暴力搜索设计新 CNN 模型，均未针对眼底图像的复杂性进行定制。为克服该问题，我们引入一种 CNN 模型定制设计方法，其架构适配眼底图像的结构模式并更好地表征 DR 相关特征。该方法利用 k-medoid 聚类、主成分分析（PCA）以及类间与类内差异自动确定 CNN 模型的深度与宽度。所设计的模型轻量、适配眼底图像内部结构，并编码 DR 病灶的判别性模式。该技术在沙特阿拉伯 King Saud University Medical City 的本地数据集以及 Kaggle 的两个具挑战性基准数据集 EyePACS 和 APTOS2019 上进行了验证。定制设计的模型以参数量显著减少优于著名的预训练 CNN 模型如 ResNet152、Densnet121 和 ResNeSt50，并与最先进的基于 CNN 的 DR 筛查方法表现相当。所提方法有助于在多样临床环境下进行 DR 筛查，并将可能需要进一步评估与治疗的患者转诊至眼科专家。
引用
@article{arxiv.2110.03877,
title = {Designing the Architecture of a Convolutional Neural Network Automatically for Diabetic Retinopathy Diagnosis},
author = {Fahman Saeed and Muhammad Hussain and Hatim A Aboalsamh and Fadwa Al Adel and Adi Mohammed Al Owaifeer},
journal= {arXiv preprint arXiv:2110.03877},
year = {2022}
}
备注
20 pages, 6 figures