面向细粒度糖尿病视网膜病变分级的判别性表示学习
计算机视觉与模式识别
2020-11-05 v1
摘要
糖尿病视网膜病变（DR）是致盲的主要病因之一。然而，早期 DR 无特异性症状导致诊断延迟，致使患者病情进展。为确定疾病严重程度分级，眼科医生需关注眼底图像中的判别性区域。近年来，深度学习在医学图像分析中取得巨大成功。但多数工作直接采用基于卷积神经网络（CNN）的算法，忽视了类间差异细微且渐进的事实。因此，我们将 DR 的自动图像分级视为细粒度分类任务，并构建双线性模型以识别病理判别区域。为利用类间的序数信息，我们采用序数回归方法获取软标签。此外，除仅使用分类损失训练网络外，我们还引入度量损失以学习更具判别性的特征空间。实验结果表明，所提方法在两个公开 IDRiD 与 DeepDR 数据集上性能优越。
引用
@article{arxiv.2011.02120,
title = {Learning Discriminative Representations for Fine-Grained Diabetic Retinopathy Grading},
author = {Li Tian and Liyan Ma and Zhijie Wen and Shaorong Xie and Yupeng Xu},
journal= {arXiv preprint arXiv:2011.02120},
year = {2020}
}
备注
5 pages