面向糖尿病视网膜病变病灶定位的研究
计算机视觉与模式识别
2021-02-03 v2 机器学习
摘要
近年来，卷积神经网络（CNN）已成功用于糖尿病视网膜病变（DR）眼底图像的分类。然而，CNN中更深层的表示可能以牺牲空间分辨率为代价来捕获更高层次的语义。为使预测结果对眼科医生可用，我们在深度学习模型的倒数第二层上使用一种称为梯度加权类激活映射（Grad-CAM）的后注意力技术，以在DR眼底图像上生成粗粒度定位图。这有助于识别图像中的判别性区域，从而为眼科医生提供诊断依据，并有可能通过早期诊断为挽救生命发挥作用。具体而言，本研究使用四种SOTA深度学习模型的预训练权重来生成并比较DR眼底图像的定位图。所用模型包括VGG16、ResNet50、InceptionV3和InceptionResNetV2。我们发现InceptionV3取得了最佳性能，测试分类准确率达96.07%，且比其他模型更好更快地定位病灶。
引用
@article{arxiv.2012.11432,
title = {Towards the Localisation of Lesions in Diabetic Retinopathy},
author = {Samuel Ofosu Mensah and Bubacarr Bah and Willie Brink},
journal= {arXiv preprint arXiv:2012.11432},
year = {2021}
}
备注
8 pages, 4 figures, used svproc document class, Computing Conference 2021 - London