利用机器学习架构中可学习的概率离散潜变量增强眼病检测
图像与视频处理
2025-01-14 v3 计算机视觉与模式识别
机器学习
摘要
眼部疾病，包括糖尿病视网膜病变和青光眼，因其高患病率和导致视力损伤的潜力而构成重大的公共卫生挑战。早期准确诊断对于有效治疗和管理至关重要。近年来，深度学习模型已成为分析医学图像（如视网膜成像）的强大工具。然而，在模型可靠性和不确定性估计方面仍然存在挑战，而这些对于临床决策至关重要。本研究利用生成流网络（GFlowNets）的概率框架，学习眼底图像中用于眼病分类和分析的潜在离散丢弃掩码的后验分布。我们开发了一种鲁棒且可泛化的方法，该方法利用GFlowOut与ResNet18和ViT模型作为骨干网络，识别各种眼部状况。本研究采用一组独特的丢弃掩码——无、随机、自底向上和自顶向下——以增强模型在分析这些眼底图像时的性能。我们的结果表明，我们可学习的概率潜变量显著提高了准确性，优于传统的丢弃方法。我们利用梯度图计算方法Grad-CAM评估模型可解释性，观察到模型准确聚焦于预测的关键图像区域。在神经网络中集成GFlowOut为眼病的自动诊断带来了有前景的进展，对改善临床工作流程和患者预后具有重要意义。
引用
@article{arxiv.2402.16865,
title = {Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures},
author = {Anirudh Prabhakaran and YeKun Xiao and Ching-Yu Cheng and Dianbo Liu},
journal= {arXiv preprint arXiv:2402.16865},
year = {2025}
}