用于 UW-OCTA 糖尿病视网膜病变分级评估的半监督语义分割方法
计算机视觉与模式识别
2023-05-30 v2 多媒体
摘要
糖尿病患者比健康人更容易患糖尿病视网膜病变（DR）。然而，DR 是致盲的主要原因。目前，糖尿病视网膜病变的诊断主要依赖有经验的临床医生识别彩色眼底图像中的细微特征。这是一项耗时的任务。因此，在本文中，为推动 UW-OCTA DR 自动检测的发展，我们提出了一种用于 UW-OCTA DR 图像分级评估的新型半监督语义分割方法。该方法首先使用 MAE 算法在 UW-OCTA DR 分级评估数据集上进行半监督预训练，以挖掘 UW-OCTA 图像中的监督信息，从而缓解对标注数据的需求。其次，为更充分地挖掘 UW-OCTA 图像中各区域的病灶特征，本文通过部署三种具有不同视觉特征处理策略的算法，构建了跨算法集成的 DR 组织分割算法。该算法包含三个子算法，即预训练 MAE、ConvNeXt 和 SegFormer。基于这三个子算法的首字母，该算法可命名为 MCS-DRNet。最后，我们使用 MCS-DRNet 算法作为检查器，对 DR 分级评估算法的初步评估结果进行检查与修正。实验结果表明，MCS-DRNet v1 和 v2 的平均 dice 相似系数分别为 0.5161 和 0.5544。DR 分级评估的二次加权 kappa 为 0.7559。我们的代码将很快发布。
引用
@article{arxiv.2212.13486,
title = {Semi-Supervised Semantic Segmentation Methods for UW-OCTA Diabetic Retinopathy Grade Assessment},
author = {Zhuoyi Tan and Hizmawati Madzin and Zeyu Ding},
journal= {arXiv preprint arXiv:2212.13486},
year = {2023}
}