通过对抗学习与伪标注利用常规眼底图像训练 UWF 眼底诊断模型
计算机视觉与模式识别
2021-02-03 v2
摘要
近年来,Optos 相机拍摄的超广角 (UWF) 200° 眼底成像因比常规 30°–60° 眼底相机能检测更多眼底信息而逐步被引入。与 UWF 眼底图像相比,常规眼底图像包含大量高质量且标注良好的数据。由于领域鸿沟,用常规眼底图像训练以识别 UWF 眼底图像的模型表现不佳。因此,鉴于医学数据标注费时费力,本文探讨如何利用常规眼底图像来扩充有限的 UWF 眼底数据与标注,以实现更高效的训练。我们提出使用改进的循环生成对抗网络 (CycleGAN) 模型来弥合常规与 UWF 眼底之间的鸿沟,并生成额外的 UWF 眼底图像用于训练。在 GAN 的损失中提出了一种一致性正则化项,以改进并规范生成数据的质量。我们的方法不要求两个域的图像配对,甚至不要求语义标签相同,这为数据收集提供了极大便利。此外,我们展示了借助伪标注技术,我们的方法对生成的无标签数据引入的噪声与误差具有鲁棒性。我们在若干常见眼底疾病与任务上评估了方法的有效性,如糖尿病视网膜病变 (DR) 分类、病灶检测与豹纹状眼底分割。实验结果表明,我们提出的方法同时实现了所学表征更优的泛化性与多任务上的性能提升。
引用
@article{arxiv.2011.13816,
title = {Leveraging Regular Fundus Images for Training UWF Fundus Diagnosis Models via Adversarial Learning and Pseudo-Labeling},
author = {Lie Ju and Xin Wang and Xin Zhao and Paul Bonnington and Tom Drummond and Zongyuan Ge},
journal= {arXiv preprint arXiv:2011.13816},
year = {2021}
}