FGR-Net：基于深度重构学习的可解释眼底图像可分级性分类
图像与视频处理
2024-09-17 v1 人工智能
计算机视觉与模式识别
摘要
用于视网膜疾病的诊断计算机辅助设计（CAD）系统的性能取决于所筛查视网膜图像的质量。因此，许多研究致力于评估此类视网膜图像的质量。然而，其中大多数研究并未探讨所开发模型的准确性与可分级和不可分级视网膜图像区分中可解释性方法可视化质量之间的关系。因此，本文提出了一个名为 FGR-Net 的新框架，通过将自编码器网络与分类器网络合并，自动评估和解释眼底图像的潜在质量。FGR-Net 模型还通过可视化提供可解释的质量评估。具体而言，FGR-Net 使用深度自编码器重构输入图像，以基于自监督学习提取输入眼底图像的视觉特征。自编码器提取的特征随后被输入到深度分类器网络中，以区分可分级和不可分级的眼底图像。我们使用不同的可解释性方法对 FGR-Net 进行了评估，结果表明自编码器是迫使分类器关注眼底图像相关结构（如中央凹、视盘和显著血管）的关键因素。此外，可解释性方法可为眼科医生提供视觉反馈，以了解我们的模型如何评估眼底图像质量。实验结果表明，FGR-Net 优于现有最先进的质量评估方法，准确率达到 89%，F1 分数达到 87%。
引用
@article{arxiv.2409.10246,
title = {FGR-Net:Interpretable fundus imagegradeability classification based on deepreconstruction learning},
author = {Saif Khalid and Hatem A. Rashwan and Saddam Abdulwahab and Mohamed Abdel-Nasser and Facundo Manuel Quiroga and Domenec Puig},
journal= {arXiv preprint arXiv:2409.10246},
year = {2024}
}