基于多个实例学习和域调整的跨域弱监督的糖尿病视网膜病变损伤识别方法
Renyu Li1, Yunchao Gu1,2,3, Xinliang Wang1
1State Key Laboratory of Virtual Reality Technology and Systems, Beihang University, Beijing 100191, China.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一种新的弱监督方法,用于仅使用粗略标签识别糖尿病视网膜病变 (DR) 病变. 这种方法克服了对广泛细粒度注释的需求,改善了DR检测的跨域性能.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 的检测依赖于精确的病变识别.
- 目前的方法需要广泛的细粒度注释,在不同机构的表现不佳.
- 对DR检测模型的跨领域应用是一个重大挑战.
研究的目的:
- 开发一个跨领域,弱监督的方法,用于DR病变的识别.
- 通过使用粗的损伤属性标签,减少对详细注释的依赖.
- 提高DR检测模型的性能和通用性.
主要方法:
- 为补丁级监督提出了一种新的损伤补丁多实例学习 (LpMIL) 方法.
- 开发了一种语义约束适应 (LpSCA) 方法,以提高跨领域的性能.
- 创建了最大的细粒度注释数据集,EyePACS-pixel,用于验证.
主要成果:
- 拟议的方法准确而全面地识别DR病变.
- 与现有的检测和细分方法相比,取得了具有竞争力的结果.
- 在公开和定制数据集上仅使用粗的注释,表现出强大的性能.
结论:
- 使用粗略标签的弱监督学习对于DR损伤的识别是有效的.
- LpMIL和LpSCA方法为细粒度注释依赖的方法提供了可行的替代方案.
- 这项工作通过提高跨领域的适应性来推进自动DR检测的临床应用.
