相关实验视频
Updated: Jul 30, 2026
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
基于多源无源域适应的糖尿病视网膜病变的鉴定
Guang-Hua Zhang1,2,3, Guang-Ping Zhuo2,4, Zhao-Xia Zhang3
1School of Big Data Intelligent Diagnosis & Treatment Industry, Taiyuan University, Taiyuan 030032, Shanxi Province, China.
International journal of ophthalmology
|July 19, 2024
概括
这项研究引入了一种新的无源域适应 (SFDA) 方法用于糖尿病视网膜病变 (DR) 识别,有效地使用未标记的数据. 该方法克服了数据标签和隐私挑战,使得DR检测有效.
科学领域:
- 眼科医生 眼科 眼科
- 计算机科学 计算机科学
- 医疗成像医学成像
背景情况:
- 糖尿病视网膜病变 (DR) 识别严重依赖于深度学习,这需要广泛的标记数据.
- 挑战包括数据标签上的困难,隐私问题以及对大型数据集的需求.
- 现有的方法难以从未标记的数据中有效地识别DR.
研究的目的:
- 开发一种无源域适应 (SFDA) 方法,以使用未标记数据进行高效和有效的DR识别.
- 解决DR识别中的深度学习的局限性,例如数据标签,隐私和数据量要求.
主要方法:
- 提出了一种多SFDA方法,整合多个源模型,为未标记的目标数据生成合成伪标签.
- 使用软max一致性最小化术语来减少类内距离,并增加源域和目标域之间的类间距离.
- 对三个公共基金照片数据集进行了验证:APTOS2019,DDR和EyePACS.
主要成果:
- 拟议的多SFDA模型实现了可参考DR的0.8917和正常/异常DR识别的0.9795的有希望的F1得分.
- 该方法通过成功地将类内部距离最小化和域之间的类间距离最大化来证明有效的DR识别.
- 结果表明模型能够处理不同数据集的变化.
结论:
- 多SFDA方法为DR识别提供了一个实用的解决方案,克服了数据标签和隐私障碍.
- 这种方法显著减少了对DR检测中的深度学习的大型标记数据集的依赖.
- 该方法有可能用于糖尿病患者的早期DR检测和视力保存.
