通过贝叶斯深度学习进行鲁棒的视网膜病变筛查的增量跨域自适应
图像与视频处理
2021-11-05 v2 计算机视觉与模式识别
摘要
视网膜病变代表了一组视网膜疾病，如果不及时治疗，可能导致严重的视力损害甚至失明。许多研究人员开发了自主系统，通过眼底和光学相干断层扫描（OCT）图像识别视网膜病变。然而，这些框架大多采用传统的迁移学习和微调方法，需要大量标注良好的训练数据才能产生准确的诊断性能。本文提出了一种新颖的增量跨域自适应工具，允许任何深度分类模型通过少样本训练在 OCT 和眼底图像中逐步学习异常视网膜病理。此外，与竞争方法不同，所提出的工具由贝叶斯多目标函数驱动，该函数不仅强制候选分类网络在增量训练期间保留其先前学习的知识，而且确保网络理解先前学习的病理与新添加的疾病类别之间的结构和语义关系，以便在推理阶段有效地识别它们。所提出的框架在三个不同扫描仪获取的六个公共数据集上进行了评估，以筛查十三种视网膜病理，通过分别达到 0.9826 和 0.9846 的总体准确率和 F1 分数，优于最先进的竞争方法。
引用
@article{arxiv.2110.09319,
title = {Incremental Cross-Domain Adaptation for Robust Retinopathy Screening via Bayesian Deep Learning},
author = {Taimur Hassan and Bilal Hassan and Muhammad Usman Akram and Shahrukh Hashmi and Abdel Hakim Taguri and Naoufel Werghi},
journal= {arXiv preprint arXiv:2110.09319},
year = {2021}
}
备注
Accepted in IEEE Transactions on Instrumentation and Measurement. Source code is available at https://github.com/taimurhassan/continual_learning/