基于深度卷积网络的糖尿病视网膜病变检测：用于判别性定位与视觉解释
计算机视觉与模式识别
2019-12-04 v3 机器学习
神经与进化计算
摘要
我们提出了一种用于可解释糖尿病视网膜病变 (DR) 检测的深度学习方法。该方法的视觉可解释特征是通过在卷积网络 (CNN) 的全局平均池化层之后添加回归激活图 (RAM) 来实现的。借助 RAM，所提出的模型能够定位视网膜图像中的判别性区域，以根据其严重程度显示特定的感兴趣区域。我们认为所提出的深度学习模型的这一优势在 DR 检测中是非常需要的，因为在实际应用中，用户不仅关注高预测性能，也渴望理解 DR 检测的内在机制以及所采用的学习模型为何有效。在大规模视网膜图像数据集上进行的实验表明，与现有 SOTA 方法相比，所提出的 CNN 模型在 DR 检测上能够取得高性能，同时具备提供 RAM 以突出显示输入图像显著区域的优点。
关键词
引用
@article{arxiv.1703.10757,
title = {Diabetic Retinopathy Detection via Deep Convolutional Networks for Discriminative Localization and Visual Explanation},
author = {Zhiguang Wang and Jianbo Yang},
journal= {arXiv preprint arXiv:1703.10757},
year = {2019}
}
备注
AAAI 2018