小样本学习：基于深度学习从视网膜图像分类性别
计算机视觉与模式识别
2022-07-21 v1 机器学习
摘要
深度学习在医学影像中引起了极大关注，特别是在使用卷积神经网络（CNN）开发自动化诊断工具方面。其非侵入性采集的便利使视网膜眼底成像适用于此类自动化方法。近期使用 CNN 分析眼底图像的工作依赖于获取海量数据进行训练和验证——数十万张图像。然而，数据驻留和数据隐私限制阻碍了这种方法在患者保密为强制要求的医疗环境中的应用。在此，我们展示了 DL 在小型数据集上从眼底图像分类患者性别的性能结果——这一特征直到最近才被认为不存在或无法在眼底图像中量化。我们微调了一个最后一层被修改用于二分类的 Resnet-152 模型。在若干实验中，我们使用一个私有（DOVS）和一个公共（ODIR）数据源评估了小数据集背景下的性能。我们使用约 2500 张眼底图像开发的模型，达到了高达 0.72（95% CI: [0.67, 0.77]）的测试 AUC 分数。尽管与文献中先前工作相比数据集规模减少了近 1000 倍，这仅对应性能下降 25%。即使是像从视网膜图像分类性别这样的困难任务，我们发现使用非常小的数据集也可进行分类。此外，我们进行了 DOVS 与 ODIR 之间的域适应实验；探讨了数据整理对训练和泛化能力的影响；并研究了在小开发数据集背景下最大化 CNN 分类器性能的模型集成。
引用
@article{arxiv.2207.09624,
title = {Learning from few examples: Classifying sex from retinal images via deep learning},
author = {Aaron Berk and Gulcenur Ozturan and Parsa Delavari and David Maberley and Özgür Yılmaz and Ipek Oruc},
journal= {arXiv preprint arXiv:2207.09624},
year = {2022}
}