利用联合注意力网络提升从光学相干断层扫描图像检测视网膜变性的鲁棒性
图像与视频处理
2021-10-20 v2 计算机视觉与模式识别
摘要
噪声数据以及不同眼科疾病引起的眼部外观相似性,给自动专家系统准确检测视网膜疾病带来了重大挑战。此外,知识可迁移性的缺乏以及对不合理大规模数据集的需求,限制了当前机器学习系统的临床应用。为提升鲁棒性,需要更好地利用视网膜子空间形变如何导致不同疾病严重程度的认知,以优先处理疾病特定的模型细节。本文提出使用疾病特定特征表示作为一种新颖架构,其由两个联合网络组成——一个用于疾病模型的有监督编码,另一个以无监督方式生成注意力图以保留疾病特定的空间信息。我们在公开数据集上的实验结果表明,所提出的联合网络显著提升了最先进视网膜疾病分类网络在未知数据集上的准确性与鲁棒性。
引用
@article{arxiv.2005.08094,
title = {Improving Robustness using Joint Attention Network For Detecting Retinal Degeneration From Optical Coherence Tomography Images},
author = {Sharif Amit Kamran and Alireza Tavakkoli and Stewart Lee Zuckerbrod},
journal= {arXiv preprint arXiv:2005.08094},
year = {2021}
}
备注
\c{opyright} 2020 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works