基于不确定性启发的开放集学习用于视网膜异常识别
机器学习
2023-08-30 v3 计算机视觉与模式识别
摘要
在视网膜异常的识别与分类实际部署中，人工智能的主要局限在于无法识别训练时未见过类别的样本。我们建立了一种不确定性启发的开放集（UIOS）模型，该模型使用9种视网膜疾病的眼底图像进行训练。除评估每一类的概率外，UIOS还计算不确定性分数以表达其置信度。我们的UIOS模型结合阈值策略，在内部测试集、外部目标类别（TC）-JSIEC数据集和TC-未见测试集上分别取得了99.55%、97.01%和91.91%的F1分数，而标准AI模型的F1分数分别为92.20%、80.69%和64.74%。此外，UIOS能正确预测较高的不确定性分数，从而提示在非目标类别视网膜疾病、低质量眼底图像及非眼底图像的数据集中需要进行人工核查。UIOS为视网膜异常的实际筛查提供了一种鲁棒方法。
引用
@article{arxiv.2304.03981,
title = {Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification},
author = {Meng Wang and Tian Lin and Lianyu Wang and Aidi Lin and Ke Zou and Xinxing Xu and Yi Zhou and Yuanyuan Peng and Qingquan Meng and Yiming Qian and Guoyao Deng and Zhiqun Wu and Junhong Chen and Jianhong Lin and Mingzhi Zhang and Weifang Zhu and Changqing Zhang and Daoqiang Zhang and Rick Siow Mong Goh and Yong Liu and Chi Pui Pang and Xinjian Chen and Haoyu Chen and Huazhu Fu},
journal= {arXiv preprint arXiv:2304.03981},
year = {2023}
}