典型文献
结合域适应学习的糖尿病视网膜病变分级诊断
文献摘要：
目的 传统的糖尿病视网膜病变(糖网)(diabetic retinopathy,DR)依赖于早期病理特征的精确检测,但由于数据集缺乏病灶标记区域导致无法有效地建立监督性分类模型,引入其他辅助数据集又会出现跨域数据异质性问题;另外,现有的糖网诊断方法大多无法直观地从语义上解释医学模型预测的结果.基于此,本文提出一种端到端式结合域适应学习的糖网自动多分类方法,该方法协同注意力机制和弱监督学习加强优化.方法 首先,利用已标记病灶区域的辅助数据训练病灶检测模型,再将目标域数据集的糖网诊断转化为弱监督学习问题,依靠多分类预测结果指导深度跨域生成对抗网络模型,提升跨域的样本图像质量,用于微调病灶检测模型,进而过滤目标域中一些无关的病灶样本,提升多分类分级诊断性能.最后,在整体模型中融合注意力机制,从医学病理诊断角度提供可解释性支持其分类决策.结果 在公开数据集Messidor上进行糖网多分类评估实验,本文方法获得了 71.2％的平均准确率和80.8％的AUC(area under curve)值,相比于其他多种方法具有很大优势,可以辅助医生进行临床眼底筛查.结论 结合域适应学习的糖网分类方法在没有提供像素级病灶标注数据的情况下,只需要图像级监督信息就可以高效自动地对眼底图像实现分级诊断,从而避免医学图像中手工提取病灶特征的局限性和因疲劳可能造成漏诊或误诊问题,另外,为医生提供了与病理学相关的分类依据,获得了较好的分类效果.
文献关键词：
糖尿病视网膜病变(DR);眼底图像;注意力机制;深度学习;弱监督学习;域适应
中图分类号：
作者姓名：
宋若仙;曹鹏;赵大哲
作者机构：
东北大学计算机科学与工程学院,沈阳 110819;医学影像计算教育部重点实验室,沈阳 110819
文献出处：
引用格式：
[1]宋若仙;曹鹏;赵大哲-.结合域适应学习的糖尿病视网膜病变分级诊断)[J].中国图象图形学报,2022(11):3356-3370
A类：
Messidor
B类：
域适应,糖尿病视网膜病变分级,分级诊断,糖网,diabetic,retinopathy,DR,病理特征,精确检测,监督性,分类模型,辅助数据,跨域,数据异质性,语义上,端到端,分类方法,方法协同,协同注意力机制,弱监督学习,数据训练,病灶检测,检测模型,目标域,学习问题,多分类预测,生成对抗网络,图像质量,微调,而过,分类分级,诊断性,整体模型,病理诊断,可解释性,分类决策,公开数据集,分类评估,平均准确率,area,under,curve,多种方法,眼底筛查,像素级,要图,监督信息,眼底图像,医学图像,漏诊,误诊,分类效果
AB值：
0.321098
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
