DR|GRADUATE：基于不确定性感知深度学习的眼底图像糖尿病视网膜病变分级
摘要
糖尿病视网膜病变（DR）分级对于确定患者的适当治疗和随访至关重要，但筛查过程可能令人疲倦且容易出错。深度学习方法作为计算机辅助诊断（CAD）系统已展现出有前景的性能，但其黑箱行为阻碍了临床应用。我们提出 DR|GRADUATE，一种新颖的基于深度学习的 DR 分级 CAD 系统，它通过提供医学可解释的解释以及该预测不确定性的估计来支持其决策，使眼科医生能够衡量该决策应被信任的程度。我们在设计 DR|GRADUATE 时考虑了 DR 分级问题的序数性质。构建于多示例学习（Multiple Instance Learning）框架之上的新颖高斯采样方法使 DR|GRADUATE 能够推断与解释图和预测不确定性相关联的图像分级，同时仅使用图像级标签进行训练。DR|GRADUATE 在 Kaggle 训练集上训练，并在多个数据集上评估。在 DR 分级中，五个不同数据集上取得了 0.71 至 0.84 之间的二次加权 Cohen's kappa（QWK）。我们表明，高 QWK 值出现在预测不确定性低的图像上，从而表明该不确定性是预测质量的有效度量。此外，质量差的图像通常关联更高的不确定性，显示不适合诊断的图像确实导致可信度更低的预测。另外，在不熟悉的医学图像数据类型上的测试表明 DR|GRADUATE 支持离群值检测。注意力图通常突出显示用于诊断的感兴趣区域。这些结果显示了 DR|GRADUATE 作为 DR 严重程度分级中第二意见系统的巨大潜力。
引用
@article{arxiv.1910.11777,
title = {DR$\vert$GRADUATE: uncertainty-aware deep learning-based diabetic retinopathy grading in eye fundus images},
author = {Teresa Araújo and Guilherme Aresta and Luís Mendonça and Susana Penas and Carolina Maia and Ângela Carneiro and Ana Maria Mendonça and Aurélio Campilho},
journal= {arXiv preprint arXiv:1910.11777},
year = {2020}
}
备注
Published at Medical Image Analysis (Elsevier). Publication licensed under the Creative Commons CC-BY-NC-ND 4.0 license https://creativecommons.org/licenses/by-nc-nd/4.0/. Figures are compressed due to file size constraints