面向眼底视网膜图像多中心青光眼分类的自适应迁移学习
图像与视频处理
2021-08-10 v2 计算机视觉与模式识别
摘要
青光眼的早期诊断和筛查对于患者及时接受治疗、维持视力十分重要。如今，基于深度学习（DL）的模型已成功用于从视网膜眼底图像中对青光眼进行计算机辅助诊断（CAD）。然而，使用某一医院中心的数据集预训练的 DL 模型，在另一新医院中心的数据集上可能表现不佳，从而限制了其在真实场景中的应用。本文提出一种自适应迁移学习（SATL）策略，以填补多中心数据集之间的域间隙。具体而言，将在源域上预训练的 DL 模型的编码器用于初始化一个重建模型的编码器。然后，仅使用来自目标域的无标签图像数据训练该重建模型，使模型中的编码器同时自适应地提取对目标域图像编码和青光眼分类均有用的高层特征。实验结果表明，所提出的 SATL 策略在一个私有与两个公开青光眼诊断数据集（即 pri-RFG、REFUGE 和 LAG）之间的域自适应任务中是有效的。此外，该策略完全独立于源域数据，符合真实场景应用与隐私保护政策。
引用
@article{arxiv.2105.03068,
title = {Self-Adaptive Transfer Learning for Multicenter Glaucoma Classification in Fundus Retina Images},
author = {Yiming Bao and Jun Wang and Tong Li and Linyan Wang and Jianwei Xu and Juan Ye and Dahong Qian},
journal= {arXiv preprint arXiv:2105.03068},
year = {2021}
}
备注
10 pages, 2 figures