面向光学相干断层扫描图像鲁棒性视网膜疾病检测的特征表示学习
图像与视频处理
2022-08-02 v2 计算机视觉与模式识别
摘要
眼科图像中可能包含外观相同的病理，这会导致自动化技术难以区分不同的视网膜退行性疾病。此外，对大型标注数据集的依赖以及知识蒸馏的缺失，会限制基于机器学习的临床支持系统在真实环境中的部署。为提升知识的鲁棒性与可迁移性，需要一种增强的特征学习模块，以从视网膜子空间中提取有意义的空间表示。若能有效使用该模块，便可检测独特的疾病特征并区分此类视网膜退行性病理的严重程度。本工作中，我们提出了一种具有三个学习头的鲁棒疾病检测架构：i) 用于视网膜疾病分类的监督式编码器，ii) 用于疾病特异性空间信息重建的无监督解码器，以及 iii) 用于学习编码器-解码器特征间相似性并提升模型准确性的新颖表示学习模块。我们在两个公开OCT数据集上的实验结果表明，所提模型在分布外视网膜疾病检测的准确性、可解释性与鲁棒性方面均优于现有最优模型。
引用
@article{arxiv.2206.12136,
title = {Feature Representation Learning for Robust Retinal Disease Detection from Optical Coherence Tomography Images},
author = {Sharif Amit Kamran and Khondker Fariha Hossain and Alireza Tavakkoli and Stewart Lee Zuckerbrod and Salah A. Baker},
journal= {arXiv preprint arXiv:2206.12136},
year = {2022}
}
备注
Accepted to MICCAI2022 Ophthalmic Medical Image Analysis (OMIA) Workshop