InceptionCaps:一种适用于数据稀缺环境的高性能青光眼分类模型
计算机视觉与模式识别
2023-12-05 v1 机器学习
摘要
青光眼是一种不可逆的眼部疾病,是全球第二大致盲原因。视力的缓慢丧失以及该病的无症状特性使其诊断颇具挑战性。早期检测对于预防不可逆性失明至关重要。眼科医生主要使用视网膜眼底图像作为无创筛查手段。卷积神经网络(CNN)已在医学图像分类中展现出很高的准确率。然而,CNN 的平移不变性及其无法处理对象之间部分-整体关系的特性,使其难以直接应用于青光眼眼底图像分类,因为该任务需要大量标注图像用于训练。本文综述了现有最先进模型,并提出了 InceptionCaps——一种以预训练 InceptionV3 作为卷积基的新型胶囊网络(CapsNet)深度学习模型,用于青光眼的自动分类。InceptionCaps 在准确率、特异性和 AUC 上分别达到了 0.956、0.96 和 0.9556,超越了多种在 RIM-ONE v2 数据集上的最先进深度学习模型性能。所获结果证明了所提深度学习模型的鲁棒性。
引用
@article{arxiv.2312.00803,
title = {InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment},
author = {Gyanendar Manohar and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2312.00803},
year = {2023}
}
备注
8 pages