基于知识蒸馏与多任务学习的协同对抗标签学习用于视网膜疾病分级
计算机视觉与模式识别
2021-02-02 v4
摘要
长期以来，人们一直认识到需要全面且自动化的视网膜图像分类筛查方法。由合格医生标注的图像非常昂贵，且针对年龄相关性黄斑变性（AMD）和糖尿病视网膜病变（DR）等多种视网膜疾病可用的数据量有限。一些研究表明 AMD 和 DR 具有如出血点和渗出物等共同特征，但大多数分类算法仅独立地训练这些疾病模型。受知识蒸馏启发——其中来自多种来源的额外监控信号有助于以更少的数据训练鲁棒模型，我们提出一种称为协同对抗标签学习（SALL）的方法，该方法在语义和特征空间中利用相关的视网膜疾病标签作为额外信号，并以协作方式训练模型。我们在 DR 和 AMD 眼底图像分类任务上的实验表明，所提方法能显著提升疾病分级模型的准确率。此外，我们进行了额外实验，从医学影像应用背景下的可靠性和可解释性方面展示 SALL 的有效性。
引用
@article{arxiv.2003.10607,
title = {Synergic Adversarial Label Learning for Grading Retinal Diseases via Knowledge Distillation and Multi-task Learning},
author = {Lie Ju and Xin Wang and Xin Zhao and Huimin Lu and Dwarikanath Mahapatra and Paul Bonnington and Zongyuan Ge},
journal= {arXiv preprint arXiv:2003.10607},
year = {2021}
}