基于证据理论的多模态青光眼分级监督对比学习框架ETSCL
计算机视觉与模式识别
2024-07-22 v1 机器学习
摘要
青光眼是导致视力受损的主要原因之一。数字成像技术，如色彩 Fundus 照片(CFP)和光学相干断层扫描(OCT)，提供了用于青光眼诊断的定量和非侵入性方法。最近，在计算机辅助青光眼诊断领域，集成CFP和OCT模态的方法相较于单模态方法实现了更高的诊断准确率。然而，由于医学图像高度相似以及多模态数据分布不平衡，仍然具有提取可靠特征的挑战。此外，现有方法忽略了不同模态的不确定性估计，导致预测不可靠。为此，我们提出一种新框架ETSCL，包括对比特征提取阶段和决策级别融合阶段。具体而言，采用监督对比损失以增强特征提取过程中的判别能力，生成更有效的特征。此外，我们将Frangi血管度算法作为预处理步骤，以纳入血管信息辅助预测。在决策级别融合阶段，采用基于证据理论的多模态分类器，用于结合带有不确定性估计的多源信息。大量实验表明，我们的方法实现了最先进的性能。代码已公开于 \url{https://github.com/master-Shix/ETSCL}。
引用
@article{arxiv.2407.14230,
title = {ETSCL: An Evidence Theory-Based Supervised Contrastive Learning Framework for Multi-modal Glaucoma Grading},
author = {Zhiyuan Yang and Bo Zhang and Yufei Shi and Ningze Zhong and Johnathan Loh and Huihui Fang and Yanwu Xu and Si Yong Yeo},
journal= {arXiv preprint arXiv:2407.14230},
year = {2024}
}
备注
Accepted by Ophthalmic Medical Image Analysis Workshop at MICCAI'24