基于超广角眼底图像的无源主动域适应糖尿病视网膜病变分级
计算机视觉与模式识别
2023-09-20 v1 机器学习
摘要
域适应（DA）已广泛应用于未标注超广角（UWF）眼底图像的糖尿病视网膜病变（DR）分级，可将标注知识从带标签的彩色眼底图像迁移而来。然而，受巨大域差距与复杂真实场景影响，大多数主流DA的DR分级性能远不及临床诊断。为此，本文提出一种新颖的无源主动域适应（SFADA）。具体而言，我们聚焦于DR分级问题本身，提出生成具有持续演化DR关系的彩色眼底图像特征，通过局部表示匹配主动选取少量有价值的UWF眼底图像进行标注，并利用DR病灶原型在UWF眼底图像上适配模型。值得注意的是，SFADA还兼顾了数据隐私与计算效率。大量实验结果表明，我们所提SFADA取得了最先进的DR分级性能，与基线相比准确率提升20.9%、二次加权kappa提升18.63%，分别达到85.36%和92.38%。这些研究表明我们的方法在真实临床实践中的潜力可期。
引用
@article{arxiv.2309.10619,
title = {Source-free Active Domain Adaptation for Diabetic Retinopathy Grading Based on Ultra-wide-field Fundus Image},
author = {Jinye Ran and Guanghua Zhang and Ximei Zhang and Juan Xie and Fan Xia and Hao Zhang},
journal= {arXiv preprint arXiv:2309.10619},
year = {2023}
}