从无标签眼底照片的自监督学习改进视网膜分割
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
眼底照相是视网膜成像的主要方法，对糖尿病视网膜病变预防至关重要。眼底照片的自动分割将提升眼科筛查项目的质量、容量与成本效益。然而，当前分割方法对真实世界临床应用中典型的成像条件与病理多样性缺乏鲁棒性。为克服这些局限，我们利用对比自监督学习来发掘公开 EyePACS 数据集中大量多样的未标签眼底图像。我们预训练了 U-Net 的编码器，随后在多个视网膜血管与病灶分割数据集上微调。我们首次证明，通过使用对比自监督学习，预训练网络可在无任何标签提供的情况下识别血管、视盘、中央凹及各种病灶。此外，当下游血管分割任务微调时，此类预训练网络在不同数据集图像上达到 SOTA 性能。另外，预训练还缩短了训练时间，并改善了血管与病灶分割任务的少样本性能。总之，我们的结果展示了对比自监督预训练的优势，其可在需要鲁棒模型、仅以少量标注样本即可适配新设备的真实世界临床应用中发挥关键作用。
引用
@article{arxiv.2108.02798,
title = {Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina},
author = {Jan Kukačka and Anja Zenz and Marcel Kollovieh and Dominik Jüstel and Vasilis Ntziachristos},
journal= {arXiv preprint arXiv:2108.02798},
year = {2021}
}