用于不平衡眼底图像数据集上多标签眼科疾病判别核卷积网络
图像与视频处理
2022-07-19 v1 计算机视觉与模式识别
摘要
通过研究视网膜生物结构的变化来识别眼病的存在与严重程度是可行的。眼底检查是一种检查眼部生物结构与异常的诊疗程序。青光眼、糖尿病视网膜病变和白内障等眼科疾病是全球视觉损伤的主因。ODIR-5K是由研究者用于眼底图像多标签多疾病分类的结构化基准眼底图像数据集。本工作提出一种判别核卷积网络（DKCNet），其在不增加额外计算成本下探索判别性区域特征。DKCNet由注意力块及随后的压缩激励（SE）块组成。注意力块从骨干网络提取特征并生成判别特征注意力图。SE块接收判别特征图并改善通道间依赖。DKCNet以InceptionResnet骨干网络在ODIR-5K眼底图像多标签分类上取得更优性能，AUC为96.08，F1-score为94.28，kappa分数为0.81。所提方法基于诊断关键词对眼对公共目标标签进行拆分。基于这些标签进行过采样与欠采样以解决类别不平衡。为检验所提模型对训练数据的偏向性，在ODIR数据集上训练的模型在三个公开可用基准数据集上测试，发现其在完全未见的眼底图像上也表现良好。
引用
@article{arxiv.2207.07918,
title = {Discriminative Kernel Convolution Network for Multi-Label Ophthalmic Disease Detection on Imbalanced Fundus Image Dataset},
author = {Amit Bhati and Neha Gour and Pritee Khanna and Aparajita Ojha},
journal= {arXiv preprint arXiv:2207.07918},
year = {2022}
}