面向糖尿病视网膜病变的弱监督补丁标注
计算机视觉与模式识别
2026-03-05 v1
摘要
糖尿病视网膜病变 (DR) 需要及时筛查以防止不可逆的视力丧失。然而，其早期检测仍是一个重大挑战，因为细微的病理表现 (病灶) 常常因标注不足而被忽视。现有文献主要关注图像级监督、弱监督局部化和基于聚类的表征学习，无法系统性地为未标注的病灶区域进行标注以完善数据集。专家驱动的病灶标注工作量大且常不完整，限制了深度学习模型的性能。我们引入Similarity-based Annotation via Feature-space Ensemble (SAFE)，一个两阶段框架统一了弱监督、对比学习和补丁级嵌入推断，用于系统性地扩展病理数据的稀疏标注。SAFE保留了病灶在部分临床监督下的细粒度细节。在第一阶段，双臂补丁嵌入网络从专家标注的补丁上学习语义结构化、具有类判别性的嵌入。接下来，基于空间和语义相似性的一组独立嵌入空间对未标注区域进行标签外推。一个退让机制确保高度可靠的标注与广泛覆盖之间的权衡。实验结果表明，SAFE可靠地分离了健康和病变补丁，实现最高达0.9886的准确率。SAFE生成的标注显著改善了下游任务，如DR分类，使病例类的F1分数大幅提升，AUPRC性能提升最高可达0.545。定性分析表明，SAFE聚焦于临床相关的病灶模式，解释性强；并经视网膜科医生验证。
引用
@article{arxiv.2603.03991,
title = {Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy},
author = {Shramana Dey and Abhirup Banerjee and B. Uma Shankar and Ramachandran Rajalakshmi and Sushmita Mitra},
journal= {arXiv preprint arXiv:2603.03991},
year = {2026}
}