Source-free Active Domain Adaptation for Diabetic Retinopathy Grading Based on Ultra-wide-field Fundus Image

要約

ドメイン適応（DA）は、注釈なしの超広視野（UWF）眼底画像の糖尿病性網膜症（DR）のグレーディングに広く適用されており、ラベル付きカラー眼底画像から注釈付きの知識を転送できます。
しかし、巨大な領域ギャップと複雑な現実世界のシナリオに悩まされ、ほとんどの主流の DA の DR グレーディング パフォーマンスは臨床診断のパフォーマンスとは程遠いです。
これに取り組むために、この論文では新しいソースフリー アクティブ ドメイン アダプテーション (SFADA) を提案します。
具体的には、DR グレーディング問題自体に焦点を当て、DR の関係が継続的に進化するカラー眼底画像の特徴を生成し、局所表現マッチングによるラベル付けのためにいくつかの貴重な UWF 眼底画像を積極的に選択し、DR 病変のある UWF 眼底画像にモデルを適応させることを提案します。
プロトタイプ。
注目すべきことに、SFADA はデータのプライバシーと計算効率も考慮しています。
広範な実験結果は、私たちが提案するSFADAが最先端のDRグレーディング性能を達成し、ベースラインと比較して精度が20.9%増加し、二次加重カッパが18.63%増加し、それぞれ85.36%と92.38%に達することを示しています。
これらの研究は、実際の臨床実践に対する私たちのアプローチの可能性が有望であることを示しています。

要約(オリジナル)

Domain adaptation (DA) has been widely applied in the diabetic retinopathy (DR) grading of unannotated ultra-wide-field (UWF) fundus images, which can transfer annotated knowledge from labeled color fundus images. However, suffering from huge domain gaps and complex real-world scenarios, the DR grading performance of most mainstream DA is far from that of clinical diagnosis. To tackle this, we propose a novel source-free active domain adaptation (SFADA) in this paper. Specifically, we focus on DR grading problem itself and propose to generate features of color fundus images with continuously evolving relationships of DRs, actively select a few valuable UWF fundus images for labeling with local representation matching, and adapt model on UWF fundus images with DR lesion prototypes. Notably, the SFADA also takes data privacy and computational efficiency into consideration. Extensive experimental results demonstrate that our proposed SFADA achieves state-of-the-art DR grading performance, increasing accuracy by 20.9% and quadratic weighted kappa by 18.63% compared with baseline and reaching 85.36% and 92.38% respectively. These investigations show that the potential of our approach for real clinical practice is promising.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google