用于鲁棒糖尿病视网膜病变分类的不确定性感知深度学习方法
计算机视觉与模式识别
2022-02-03 v2 机器学习
摘要
利用深度神经网络从视网膜图像中自动分类糖尿病视网膜病变已被广泛研究并取得了令人印象深刻的成果。然而，临床需要对分类的不确定性进行估计，这是现代神经网络的短板。近来，近似贝叶斯深度学习方法已被提出用于该任务，但相关研究仅考虑了应用于基准数据集的二分类（可转诊/不可转诊）糖尿病视网膜病变分类。我们通过系统性地研究一个临床数据集及临床相关的5类分类方案，以及基准数据集和二分类方案，给出了新的结果。此外，我们推导了不确定性度量与分类器风险之间的联系，并由此开发了一种新的不确定性度量。我们观察到，先前提出的基于熵的不确定性度量可推广到二分类方案下的临床数据集，但在5类方案下不能推广，而我们新的不确定性度量可推广到后者情形。
引用
@article{arxiv.2201.09042,
title = {Uncertainty-aware deep learning methods for robust diabetic retinopathy classification},
author = {Joel Jaskari and Jaakko Sahlsten and Theodoros Damoulas and Jeremias Knoblauch and Simo Särkkä and Leo Kärkkäinen and Kustaa Hietala and Kimmo Kaski},
journal= {arXiv preprint arXiv:2201.09042},
year = {2022}
}