利用补丁级与图像级标注鲁棒协同学习的眼底图像糖尿病视网膜病变分级
计算机视觉与模式识别
2021-03-19 v2
摘要
从眼底图像进行糖尿病视网膜病变（DR）分级在学术界和工业界都引起了越来越多的兴趣。大多数基于卷积神经网络（CNN）的算法通过图像级标注将 DR 分级视为分类任务。然而，这些算法尚未充分挖掘 DR 相关病灶中的有价值信息。在本文中，我们提出一个鲁棒框架，协同利用补丁级和图像级标注进行 DR 严重程度分级。通过端到端优化，该框架可双向交换细粒度病灶与图像级分级信息。因此，它利用了更具判别力的特征用于 DR 分级。所提框架表现出优于近期最先进（SOTA）算法及三位具有九年以上经验的临床眼科医生的性能。通过在具有不同分布（如标注和相机）的数据集上测试，我们证明了我们的算法在面对真实世界实践中普遍存在的图像质量和分布变化时是鲁棒的。我们通过广泛的消融研究检视所提框架，以表明各动机的有效性和必要性。代码和一些有价值的标注现已公开可用。
引用
@article{arxiv.2008.00610,
title = {Robust Collaborative Learning of Patch-level and Image-level Annotations for Diabetic Retinopathy Grading from Fundus Image},
author = {Yehui Yang and Fangxin Shang and Binghong Wu and Dalu Yang and Lei Wang and Yanwu Xu and Wensheng Zhang and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2008.00610},
year = {2021}
}