DiffuPT：基于扩散生成与模型预训练的视网膜色素变性检测中的类别不平衡问题缓解
图像与视频处理
2024-12-09 v1 计算机视觉与模式识别
定量方法
摘要
视网膜色素变性是一种表现为视神经头结构损伤和视野功能变化的渐进性视网膜病变。早期检测视网膜色素变性对于预防失明至关重要。然而，医学数据集常常 suffer from 类别不平衡，使得深度学习算法的检测更加困难。我们采用基于生成的框架来增强视网膜色素变性的诊断，特别是通过合成数据生成来解决类别不平衡问题。此外，我们收集了最大的国家级视网膜色素变性检测数据集以支持本研究。正常病例与视网膜色素变性病例之间的不平衡会导致分类器模型的性能下降。通过结合我们提出的框架利用扩散模型进行预训练，我们创建了一个更稳健的分类器训练过程。这种训练过程的结果是更高性能的分类器。该方法在提高视网膜色素变性分类器的调和均值（敏感性和特异性）以及ROC曲线下的AUC方面显示出有前景的成果。我们在本国家数据集的测试集上报告了调和均值指标从89.09%提升至92.59%。我们检验了该方法与其他方法，以克服不平衡问题进行大量实验。我们在AIROGS数据集上也报告了类似的改进。这一研究表明，扩散基于的生成在解决医学数据集中的类别不平衡问题以提高诊断性能方面具有重要意义。
引用
@article{arxiv.2412.03629,
title = {DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining},
author = {Youssof Nawar and Nouran Soliman and Moustafa Wassel and Mohamed ElHabebe and Noha Adly and Marwan Torki and Ahmed Elmassry and Islam Ahmed},
journal= {arXiv preprint arXiv:2412.03629},
year = {2024}
}