基于简单启发式的眼底图像二分类最优迁移学习模型
机器学习
2020-02-24 v3 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
深度学习模型有从根本上变革医学影像分析的潜力, 尤其在计算机辅助诊断中有特别有趣的应用。我们尝试使用深度学习神经网络诊断眼底图像(眼内部的视觉表征)。近来, 若干鲁棒的深度学习方法已通过二分类推断特定眼病(如青光眼或糖尿病视网膜病变)的存在。为拓展计算机辅助眼病诊断的应用, 我们提出一种统一的疾病分类模型: 以低成本推断眼底图像以判定其健康或患病。为此, 我们采用迁移学习技术, 其保留预训练基架构更通用的能力但可适配另一数据集。为比较, 我们进而开发了一种自定义启发式方程与评估指标排序系统, 以确定最优基架构与超参数。Xception 基架构、Adam 优化器与均方误差损失函数表现最佳, 达到 90% 准确率、94% 灵敏度与 86% 特异度。为额外易用, 我们将模型封装于一个 Web 界面中, 其文件选择器可访问本地文件系统, 从而可在任何联网设备(移动端、PC 等)上使用。
引用
@article{arxiv.2002.04189,
title = {Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics},
author = {Rohit Jammula and Vishnu Rajan Tejus and Shreya Shankar},
journal= {arXiv preprint arXiv:2002.04189},
year = {2020}
}
备注
5 pages. 4 tables. Accepted to present in Machine Learning in Computational Biology (MLCB) 2019 conference