基于小规模图像数据集的可治疗视网膜疾病分类的自监督学习
计算机视觉与模式识别
2024-04-17 v1 机器学习
摘要
基于图像的神经网络自动医疗诊断在过去几年中越来越流行并逐渐成熟。然而，它受到医学图像稀缺和昂贵的人工标注成本的限制。自监督学习（SSL）是迁移学习（TL）的一个良好替代方案，适用于不平衡的图像数据集。在本研究中，我们评估了四个预训练的SSL模型和两个TL模型在可治疗视网膜疾病分类中的表现，使用小规模光学相干断层扫描（OCT）图像，数量从125到4000不等，训练集分布平衡或不平衡。所提出的SSL模型仅使用4000张训练图像就达到了98.84%的最先进准确率。我们的结果表明，SSL模型在平衡和不平衡训练场景下都提供了优越的性能。采用MoCo-v2方案的SSL模型在不平衡场景下表现一致良好，特别是在训练集少于500张图像时，其性能超过了其他模型。
引用
@article{arxiv.2404.10166,
title = {Self-Supervised Learning Featuring Small-Scale Image Dataset for Treatable Retinal Diseases Classification},
author = {Luffina C. Huang and Darren J. Chiu and Manish Mehta},
journal= {arXiv preprint arXiv:2404.10166},
year = {2024}
}