基于变分自编码器正则化的视网膜OCT疾病分类
计算机视觉与模式识别
2019-04-02 v1
摘要
据世界卫生组织统计，全球有2.85亿人患有视觉障碍。眼科最常用的诊断成像技术是光学相干断层扫描（OCT）。然而，视网膜OCT的分析需要训练有素的眼科医生和时间，使得全面的早期诊断难以实现。最近的一项研究建立了一种基于卷积神经网络（CNN）的诊断工具，该工具在大型视网膜OCT图像数据库上训练。该工具在分类视网膜疾病方面的性能与训练有素的医学专家相当。然而，这些网络的训练基于大量标注数据，而这类数据获取昂贵且困难。因此，本文描述了一种基于变分自编码器正则化的方法，在使用有限量标注数据时提高分类性能。本工作使用双路径CNN模型，将分类网络与自编码器（AE）结合用于正则化。其背后的关键思想是在使用少量患者的小规模训练数据集时防止过拟合。结果显示，与预训练并完全微调的基线ResNet-34相比，分类性能更优。潜空间相对于疾病类别的聚类明显。在有限患者数据上训练时，用于OCT疾病分类的神经网络可受益于使用变分自编码器的正则化。尤其在医学成像领域，由专家标注的数据获取成本高昂。
引用
@article{arxiv.1904.00790,
title = {Retinal OCT disease classification with variational autoencoder regularization},
author = {Max-Heinrich Laves and Sontje Ihler and Lüder A. Kahrs and Tobias Ortmaier},
journal= {arXiv preprint arXiv:1904.00790},
year = {2019}
}
备注
Accepted for publication at 33rd international conference on Computer Assisted Radiology and Surgery (CARS) 2019