面向真实世界视网膜疾病识别的层次知识引导学习
计算机视觉与模式识别
2023-03-22 v2
摘要
在真实世界中，医学数据集常呈现长尾数据分布（即少数类别占据大部分数据，而大多数类别仅有有限样本），这导致极具挑战的长尾学习场景。眼科 AI 中一些近期发布的数据集包含 40 多种具有复杂异常和可变发病率的视网膜疾病。然而，在全球患者队列中超过 30 种疾病极为罕见。从建模角度看，在这些数据集上训练的大多数深度学习模型可能缺乏泛化到仅提供少量可用样本训练的罕见疾病的能力。此外，视网膜可能存在不止一种疾病，导致具有挑战性的标签共现场景，亦称多标签，这会在训练时应用某些重采样策略时引发问题。为应对上述两大挑战，本文提出一种新方法，使深度神经网络能从长尾眼底数据库学习以识别多种视网膜疾病。首先，我们利用眼科中的先验知识通过层次感知预训练改进特征表示。其次，我们采用实例级类平衡采样策略，以解决长尾医学数据集场景下的标签共现问题。第三，我们引入一种新型混合知识蒸馏来训练偏差更小的表示与分类器。我们在四个数据库上进行了大量实验，包括两个公共数据集和两个拥有超百万张眼底图像的内部数据库。实验结果证明了我们所提方法的优越性，其识别准确率优于最先进的竞争对手，尤其是对这类罕见疾病。
引用
@article{arxiv.2111.08913,
title = {Hierarchical Knowledge Guided Learning for Real-world Retinal Diseases Recognition},
author = {Lie Ju and Zhen Yu and Lin Wang and Xin Zhao and Xin Wang and Paul Bonnington and Zongyuan Ge},
journal= {arXiv preprint arXiv:2111.08913},
year = {2023}
}