糖尿病视网膜病变分类中面向未见域的泛化
计算机视觉与模式识别
2023-10-30 v2
摘要
糖尿病视网膜病变(DR)由长期糖尿病引起,是视力受损的第五大成因。早期诊断和治疗有助于治愈该疾病,然而检测过程颇具挑战且大多繁琐。因此,基于深度学习技术的自动化糖尿病视网膜病变分类在医学影像界受到关注。与深度学习的若干其他现实应用类似,依赖深度学习的DR分类中也违背了i.i.d数据的典型假设。因而,开发对未见分布鲁棒的DR分类方法极具价值。本文研究DR分类中将模型泛化至未见分布或域(即域泛化,DG)的问题。为此,我们提出一种简单而有效的域泛化(DG)方法,通过一种新颖的预测软化机制在视觉Transformer(ViT)中实现自蒸馏。该预测软化是将独热标签与模型自身知识进行自适应凸组合。我们在多源与单源DG设定下,使用三种不同ViT骨干在具有挑战性的开源DR分类数据集上进行了大量实验,以确立我们的方法相对于对比方法的效能与适用性。我们首次在开源DR分类数据集上通过详尽实验报告了若干最先进DG方法的性能。最后,我们的方法还能提供优于其他方法的校准性能,显示出其对包括医疗在内的安全关键型应用的适用性。我们希望我们的贡献能促使医学影像界开展更多DG研究。
引用
@article{arxiv.2310.17255,
title = {Generalizing to Unseen Domains in Diabetic Retinopathy Classification},
author = {Chamuditha Jayanga Galappaththige and Gayal Kuruppu and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2310.17255},
year = {2023}
}
备注
Accepted at WACV 2024