DRStageNet：基于眼底图像的糖尿病视网膜病变分期深度学习模型
图像与视频处理
2023-12-25 v1 计算机视觉与模式识别
机器学习
摘要
糖尿病视网膜病变 (DR) 是糖尿病的一种常见并发症，伴有显著的视力丧失风险。及时识别对于遏制视力损害至关重要。近期已有研究提出从数字眼底图像 中进行 DR 分期的算法。然而，由于模型训练的源域与其部署的目标域之间存在分布偏移，模型通常难以泛化。当源域和目标域的支持集不完全重叠时，会遇到一种常见且特别具有挑战性的偏移。在本研究中，我们引入了 DRStageNet，一种旨在缓解这一挑战的深度学习模型。我们使用了七个公开可用的数据集，共包含 93,534 张 DFIs，涵盖了各种患者人口统计学特征、种族、地理来源和合并症。我们对 DINOv2（一种自监督 vision transformer 预训练模型）进行微调，并实施多源域微调策略以增强泛化性能。我们对方法进行了基准测试，并展示了其相对于两个 SOTA 基准的优越性，其中包括一个近期发表的 foundation model。我们将 grad-rollout 方法适配于我们的回归任务，以提供高分辨率的可解释性热图。误差分析表明，59% 的主要误差源于参考标签不正确。DRStageNet 可在 URL [在稿件被接受后] 访问。
引用
@article{arxiv.2312.14891,
title = {DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus Images},
author = {Yevgeniy Men and Jonathan Fhima and Leo Anthony Celi and Lucas Zago Ribeiro and Luis Filipe Nakayama and Joachim A. Behar},
journal= {arXiv preprint arXiv:2312.14891},
year = {2023}
}