自动化糖尿病视网膜病变筛查中的分布偏移
计算机视觉与模式识别
2021-07-27 v1 人工智能
机器学习
摘要
基于深度学习的模型被开发用于自动检测视网膜图像在糖尿病视网膜病变 (DR) 筛查中是否“需转诊”。然而，当输入图像相对其训练分布发生分布偏移时，其分类精度会下降。此外，即使输入并非视网膜图像，标准 DR 分类器也会产生该图像“需转诊”的高置信度预测。我们的论文提出了一种基于 Dirichlet 先验网络的框架来解决此问题。它利用分布外 (OOD) 检测器模型和 DR 分类模型，通过识别 OOD 图像来提升泛化能力。在真实世界数据集上的实验表明，所提框架能够剔除未知的非视网膜图像，并识别出发生分布偏移的视网膜图像以供人工干预。
引用
@article{arxiv.2107.11822,
title = {Distributional Shifts in Automated Diabetic Retinopathy Screening},
author = {Jay Nandy and Wynne Hsu and Mong Li Lee},
journal= {arXiv preprint arXiv:2107.11822},
year = {2021}
}
备注
Accepted at IEEE ICIP 2021