利用半监督图学习增强糖尿病视网膜病变检测
计算机视觉与模式识别
2023-09-06 v1 人工智能
摘要
糖尿病视网膜病变(DR)是全球失明的重要原因，凸显了早期检测和有效治疗的迫切需求。机器学习(ML)技术的最新进展在DR检测中展现出前景，但标注数据的可用性常限制其性能。本研究提出一种专为DR检测定制的新型半监督图学习SSGL算法，其利用标注与未标注数据间的关系以提升准确性。工作首先考察数据增强与预处理技术，以应对图像质量和特征变化的挑战。探讨了图像裁剪、缩放、对比度调整、归一化和数据增强等技术，以优化特征提取并改善视网膜图像的整体质量。此外，除检测与诊断外，本工作还深入应用ML算法预测发生DR的风险或疾病进展的可能性。利用涵盖人口统计学信息、病史和视网膜图像的综合患者数据，为个体患者生成个性化风险评分。所提出的半监督图学习算法在两个公开数据集上被严格评估，并与现有方法基准比较。结果表明分类准确性、特异性和敏感性显著提升，同时对噪声和离群值表现出鲁棒性。值得注意的是，所提算法解决了医学图像分析中常见的不平衡数据集挑战，进一步增强了其实用性。
引用
@article{arxiv.2309.00824,
title = {Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic Retinopathy Detection},
author = {D. Dhinakaran and L. Srinivasan and D. Selvaraj and S. M. Udhaya Sankar},
journal= {arXiv preprint arXiv:2309.00824},
year = {2023}
}
备注
13 pages, 6 figures