基于自适应课程与特征解耦的眼科疾病联合分级鲁棒表示学习
计算机视觉与模式识别
2023-03-28 v2
摘要
糖尿病视网膜病变（DR）与糖尿病性黄斑水肿（DME）是全球永久性失明的主要诱因。为 DR 与 DME 设计具备良好泛化能力的自动分级系统在临床实践中至关重要。然而，已有工作要么独立地对 DR 或 DME 分级而未考虑二者间的内在关联，要么通过共享特征表示进行联合分级却忽视了困难样本与数据偏置引发的潜在泛化问题。为应对这些问题，我们提出了一种联合分级框架，包含动态难度感知加权损失（DAW）与双流解耦学习架构（DETACH）。受课程学习启发，DAW 通过自适应度量难度，从简单样本到困难样本动态学习。DETACH 将分级任务的特征分离以避免对偏置的潜在侧重。结合 DAW 与 DETACH，模型学习到鲁棒的解耦特征表示，以挖掘 DR 与 DME 间的内在关联并取得更优分级性能。在三个基准上的实验表明，我们的框架在数据集内与跨数据集测试下均具备有效性与鲁棒性。
引用
@article{arxiv.2207.04183,
title = {Learning Robust Representation for Joint Grading of Ophthalmic Diseases via Adaptive Curriculum and Feature Disentanglement},
author = {Haoxuan Che and Haibo Jin and Hao Chen},
journal= {arXiv preprint arXiv:2207.04183},
year = {2023}
}
备注
Accepted by MICCAI22