SSMD-UNet:半监督多任务解码器网络用于糖尿病视网膜病变细分
Zahid Ullah1, Muhammad Usman2, Siddique Latif3
1Department of Software, Korea National University of Transportation, Chungju, 27469, South Korea.
Scientific reports
|June 5, 2023
概括
这项研究引入了一种半监督的深度学习方法,以使用视网膜图像改善糖尿病视网膜病变 (DR) 的细分. 该方法有效地利用未标记的数据来提高DR查的诊断准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 糖尿病视网膜病变 (DR) 是视力丧失的主要原因,需要通过视网膜查进行早期检测.
- 来自视网膜底图像的DR细分的自动深度学习模型对于及时诊断至关重要.
- 目前的模型面临的局限性是由于没有足够的注释训练数据.
研究的目的:
- 为糖尿病视网膜病变细分开发一个准确的半监督深度学习模型.
- 利用大型未标记数据集来克服DR细分中的数据稀缺问题.
- 提高DR细分模型的通用性和稳定性.
主要方法:
- 一种半监督的多任务学习方法,利用一种新的多解码器架构.
- 结合无监督和监督的学习阶段.
- 训练一个无监督的辅助任务,以增强使用未标记数据的主要DR细分任务.
主要成果:
- 拟议的模型显著提高了DR细分性能.
- 在公共数据集 (FGADR和IDRiD) 上超越现有的最先进技术.
- 在交叉数据集评估中表现出增强的概括性和稳定性.
结论:
- 半监督学习有效地利用未标记的数据来提高DR细分的准确性.
- 拟议的多解码器架构为DR选提供了一个强大的解决方案.
- 这种方法有助于眼科医生在更早,更准确的DR诊断,可能防止视力损失.
