基于无监督深度学习的视网膜眼底图像年龄相关性黄斑变性分级
计算机视觉与模式识别
2020-10-26 v1 图像与视频处理
定量方法
摘要
许多疾病依据易受人为主观影响的人工定义标准进行分类。有监督神经网络可自动化视网膜眼底图像的分级，但需要耗费人力的标注，且局限于所训练的特定任务。在此，我们采用带有非参数实例判别（NPID）的无监督网络，利用年龄相关性眼病研究（AREDS）的眼底照片对年龄相关性黄斑变性（AMD）的严重程度进行分级。我们的无监督算法在不同 AMD 分类方案间无需重训练即展现出通用性，并在分类晚期或可转诊 AMD，或基于 4 级 AMD 严重度量表时，取得了与有监督网络及人类眼科医生相当的非平衡准确率。探究网络行为揭示了驱动预测的疾病相关眼底特征，并揭示了更细粒度的人工定义 AMD 严重度方案易被眼科医生与神经网络误分类的弱点。重要的是，无监督学习实现了对 AMD 特征（如地图状萎缩）以及脉络膜、玻璃体和晶状体的其他眼部表型（如致视力损伤性白内障）的无偏、数据驱动发现，这些均未由人工标签预先定义。
引用
@article{arxiv.2010.11993,
title = {Unsupervised deep learning for grading of age-related macular degeneration using retinal fundus images},
author = {Baladitya Yellapragada and Sascha Hornhauer and Kiersten Snyder and Stella Yu and Glenn Yiu},
journal= {arXiv preprint arXiv:2010.11993},
year = {2020}
}