学习分割视网膜病灶及更多
计算机视觉与模式识别
2020-10-20 v3 机器学习
摘要
面向自动化视网膜筛查，本文致力于同时实现像素级视网膜病灶分割与图像级疾病分类。这种多任务方法对于准确且具临床可解释性的疾病诊断至关重要。现有方法因三大挑战而不足：病灶缺乏客观边界、病灶的临床重要性与其大小无关、以及病灶与疾病类别之间缺乏一一对应。本文在糖尿病视网膜病变（DR）分级背景下攻克这三大挑战。我们提出 Lesion-Net，一种全卷积网络的新变体，其扩展路径被重新设计以应对第一个挑战。引入一种利用语义分割与图像分类双重损失的对偶 Dice 损失以解决第二个挑战。最后，我们构建了一个以 Lesion-Net 作为侧注意力分支的多任务网络，用于 DR 分级与结果解释。一组 12K 眼底图像由 45 名眼科医生对 8 种 DR 相关病灶进行手动分割，共计产生 290K 个手动分割区域。在该大规模数据集上的大量实验表明，我们提出的方法在包括病灶分割、病灶分类和 DR 分级在内的多个任务上均超越了现有方法。
引用
@article{arxiv.1912.11619,
title = {Learn to Segment Retinal Lesions and Beyond},
author = {Qijie Wei and Xirong Li and Weihong Yu and Xiao Zhang and Yongpeng Zhang and Bojie Hu and Bin Mo and Di Gong and Ning Chen and Dayong Ding and Youxin Chen},
journal= {arXiv preprint arXiv:1912.11619},
year = {2020}
}
备注
Accepted at ICPR 2020