视网膜成像数据中异常的识别与分类
机器学习
2016-12-05 v1 计算机视觉与模式识别
摘要
医学图像中标记的识别与量化对于临床实践中的患者诊断、预后和管理至关重要。监督或弱监督训练能够检测先验已知的发现。但其可扩展性不佳，且先验定义将标记的词汇限制为已知实体，降低了诊断和预后的准确性。在此，我们提出以健康样本为参考来识别大规模医学成像数据中的异常。我们检测并分类对于观测数据而言非典型的异常发现候选。在健康视网膜图像上训练一个深度卷积自编码器。学习到的模型生成新的特征表示，健康视网膜块的分布由单类支持向量机估计。结果表明，我们无需使用专家标注即可识别图像中的病理区域。随后的聚类将发现分类为具有临床意义的类别。此外，学习到的特征在分类任务中优于标准嵌入方法。
引用
@article{arxiv.1612.00686,
title = {Identifying and Categorizing Anomalies in Retinal Imaging Data},
author = {Philipp Seeböck and Sebastian Waldstein and Sophie Klimscha and Bianca S. Gerendas and René Donner and Thomas Schlegl and Ursula Schmidt-Erfurth and Georg Langs},
journal= {arXiv preprint arXiv:1612.00686},
year = {2016}
}
备注
Extended Abstract, Accepted for NIPS 2016 Workshop "Machine Learning for Health"