基于异构深度学习模型集成的视网膜影像多疾病检测
图像与视频处理
2021-03-30 v1 人工智能
机器学习
摘要
可预防或未确诊的视力损害与失明影响全球数十亿人。自动化多疾病检测模型通过诊断中的临床决策支持，为解决该问题提供了巨大潜力。本工作中，我们提出了一种创新的视网膜影像多疾病检测流程，其利用集成学习来结合若干异构深度卷积神经网络模型的预测能力。我们的流程包含迁移学习、类别加权、实时图像增强与 Focal loss 利用等最先进策略。此外，我们集成了异构深度学习模型、基于 5 折交叉验证的 bagging 与堆叠逻辑回归模型等集成学习技术。通过内部与外部评估，我们得以验证并展示该流程的高准确性与可靠性，以及其与其他最先进视网膜疾病预测流程的可比性。
引用
@article{arxiv.2103.14660,
title = {Multi-Disease Detection in Retinal Imaging based on Ensembling Heterogeneous Deep Learning Models},
author = {Dominik Müller and Iñaki Soto-Rey and Frank Kramer},
journal= {arXiv preprint arXiv:2103.14660},
year = {2021}
}
备注
Code repository: https://github.com/frankkramer-lab/riadd.aucmedi Appendix: https://doi.org/10.5281/zenodo.4573990