一票否决：面向小样本青光眼诊断的半监督学习
计算机视觉与模式识别
2023-08-22 v4 人工智能
机器学习
摘要
卷积神经网络（CNNs）是一种从眼底图像自动诊断青光眼的有前景技术，这类图像作为眼科检查的一部分被常规采集。然而，CNNs 通常需要大量良标注数据用于训练，这在许多生物医学图像分类应用中可能难以获取，尤其在疾病罕见且专家标注成本高昂时。本文为应对该问题作出两点贡献：（1）扩展传统孪生网络，提出一种在标注数据有限且不平衡时的小样本学习训练方法；（2）提出一种新颖的半监督学习策略，利用额外无标注训练数据以获得更高精度。我们提出的多任务孪生网络（MTSN）可采用任意骨干 CNN，并以四种骨干 CNN 证明：其在有限训练数据下的精度接近以大 50 倍数据集训练的骨干 CNN。我们还提出一票否决（OVV）自训练，一种专为 MTSN 设计的半监督学习策略。通过同时考虑无标注训练数据的自预测与对比预测，OVV 自训练为微调预训练 MTSN 提供额外伪标签。利用一个包含 15 年间采集的 66,715 张眼底照片的大型（不平衡）数据集，大量实验结果证明了 MTSN 小样本学习与 OVV 自训练半监督学习的有效性。另三个在不同条件（相机、仪器、地点、人群）下采集的较小临床眼底图像数据集被用于证明所提方法的泛化性。
引用
@article{arxiv.2012.04841,
title = {One-Vote Veto: Semi-Supervised Learning for Low-Shot Glaucoma Diagnosis},
author = {Rui Fan and Christopher Bowd and Nicole Brye and Mark Christopher and Robert N. Weinreb and David Kriegman and Linda M. Zangwill},
journal= {arXiv preprint arXiv:2012.04841},
year = {2023}
}
备注
accepted by IEEE Transactions on Medical Imaging (T-MI). DOI: 10.1109/TMI.2023.3307689