自监督等变正则化调和多实例学习：可转诊糖尿病视网膜病变分类与病灶分割联合框架
图像与视频处理
2022-10-13 v1 计算机视觉与模式识别
机器学习
摘要
病灶外观是医疗人员区分可转诊糖尿病视网膜病变(rDR)与非可转诊DR的关键线索。现有大多数大规模DR数据集仅含图像级标签，而无像素级标注。这促使我们开发仅借助图像级标签对rDR进行分类并分割病灶的算法。本文利用自监督等变学习与基于注意力的多实例学习(MIL)来解决该问题。MIL是一种区分正、负实例的有效策略，有助于我们剔除背景区域(负实例)并定位病灶区域(正实例)。然而，MIL仅提供粗粒度病灶定位，无法区分位于相邻图像块中的病灶。相反，自监督等变注意力机制(SEAM)可生成分割级类激活图(CAM)，从而更精确地引导病灶图像块提取。我们的工作旨在融合两种方法以提升rDR分类精度。我们在Eyepacs数据集上进行了充分的验证实验，获得的受试者工作特征曲线下面积(AU ROC)为0.958，优于当前最先进(state-of-the-art)算法。
引用
@article{arxiv.2210.05946,
title = {Self-Supervised Equivariant Regularization Reconciles Multiple Instance Learning: Joint Referable Diabetic Retinopathy Classification and Lesion Segmentation},
author = {Wenhui Zhu and Peijie Qiu and Natasha Lepore and Oana M. Dumitrascu and Yalin Wang},
journal= {arXiv preprint arXiv:2210.05946},
year = {2022}
}
备注
7 pages, 2 tables, 3 figures. 18th International Symposium on Medical Information Processing and Analysis