用于糖尿病视网膜病变眼底图像跨域知识迁移的标签高效自监督表示学习
图像与视频处理
2023-04-25 v1 计算机视觉与模式识别
摘要
本文提出了一种新颖的、基于标签高效的自监督表示学习的跨域糖尿病视网膜病变（DR）图像分类方法。现有大多数DR图像分类方法基于监督学习，需要大量耗时且昂贵的医学领域专家标注数据用于训练。所提方法利用从源DR图像数据集中先验学习到的知识，对来自目标数据集的图像进行分类。通过对比学习从无标签源域数据集中学习到的图像表示，被用于分类目标域数据集中的DR图像。此外，所提方法仅需少量标注图像即可在跨域设置下的DR图像分类任务中取得成功。所提工作在四个公开数据集上进行了实验：EyePACS、APTOS 2019、MESSIDOR-I和Fundus Images，用于基于自监督表示学习的跨域DR图像分类。所提方法即使在跨域设置下，也在DR图像的二分类和多分类上取得了最先进（state-of-the-art）结果。所提方法优于文献中已有的DR图像二分类和多分类方法。所提方法还使用类激活图进行了定性验证，表明该方法能够学习可解释的图像表示。源代码和训练好的模型已发布于GitHub。
引用
@article{arxiv.2304.11168,
title = {Learning Self-Supervised Representations for Label Efficient Cross-Domain Knowledge Transfer on Diabetic Retinopathy Fundus Images},
author = {Ekta Gupta and Varun Gupta and Muskaan Chopra and Prakash Chandra Chhipa and Marcus Liwicki},
journal= {arXiv preprint arXiv:2304.11168},
year = {2023}
}
备注
Accepted to International Joint Conference on Neural Networks (IJCNN) 2023