利用未诊断数据通过师生学习进行青光眼分类
计算机视觉与模式识别
2020-07-23 v1
摘要
近年来，深度学习已被应用于青光眼分类任务，其性能可与人类专家相媲美。然而，训练良好的深度学习模型需要大量正确标注的数据，而由于青光眼的准确标注需要多年的专家培训，这类数据相对昂贵。为缓解此问题，我们提出了一种青光眼分类框架，其不仅利用正确标注的图像，还利用无青光眼标签的未诊断图像。具体而言，所提框架改编自师生学习范式。教师模型将未诊断图像的封装信息编码到潜在特征空间，同时学生模型通过知识迁移从教师处学习以改进青光眼分类。在模型训练过程中，我们提出了一种模拟真实教学实践的新型训练策略，称为“带知识迁移的学习教学（L2T-KT）”，并建立“测验池”作为教师的优化目标。实验表明，所提框架能够有效利用未诊断数据以提升青光眼预测性能。
引用
@article{arxiv.2007.11355,
title = {Leveraging Undiagnosed Data for Glaucoma Classification with Teacher-Student Learning},
author = {Junde Wu and Shuang Yu and Wenting Chen and Kai Ma and Rao Fu and Hanruo Liu and Xiaoguang Di and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.11355},
year = {2020}
}