哈佛青光眼检测与进展:一种多模态多任务数据集及泛化增强的半监督学习
计算机视觉与模式识别
2023-08-28 v1
摘要
青光眼是全球不可逆盲的首因。准确进行青光眼检测与进展预测的一大挑战在于,具备最先进(SOTA)三维光学相干断层扫描(OCT)视网膜成像数据的标注患者数量有限。为解决数据稀缺问题,本文提出两种方案。首先,我们开发了一种称为伪监督器的新型泛化增强半监督学习(SSL)模型,以最优利用无标注数据。相较于SOTA模型,所提伪监督器优化了利用无标注样本预测伪标签的策略,从而提升经验泛化能力。我们的伪监督器模型在青光眼检测与进展预测两项临床任务上进行了评估,其中进展预测任务以单模态与多模态分别评估。伪监督器模型表现优于SOTA SSL对比模型。此外,我们的模型在公开LAG眼底数据集上也取得最佳结果。其次,我们引入哈佛青光眼检测与进展(Harvard-GDP)数据集,这是一个包含1000例患者OCT成像数据及青光眼检测与进展标签的多模态多任务数据集。这是最大的带三维OCT成像数据的青光眼检测数据集,也是首个公开可用的青光眼进展预测数据集。我们提供了详细的性别与种族分析,可供相关研究者用于公平性学习研究。我们发布的数据集以若干SOTA有监督CNN与transformer深度学习模型进行了基准测试。数据集与代码通过\url{https://ophai.hms.harvard.edu/datasets/harvard-gdp1000}公开。
引用
@article{arxiv.2308.13411,
title = {Harvard Glaucoma Detection and Progression: A Multimodal Multitask Dataset and Generalization-Reinforced Semi-Supervised Learning},
author = {Yan Luo and Min Shi and Yu Tian and Tobias Elze and Mengyu Wang},
journal= {arXiv preprint arXiv:2308.13411},
year = {2023}
}
备注
ICCV 2023