Adaptive Class Learning to Screen Diabetic Disorders in Fundus Images of Eye

要約

眼疾患の有病率は世界的に増加しており、公衆衛生上の大きな課題となっています。
視覚障害を回避し、患者の予後を高めるには、早期発見とタイムリーな介入が重要です。
この研究では、網膜眼底画像を分類するための分類器をトレーニングするために、Class Extension with Limited Data (CELD) と呼ばれる新しいフレームワークを導入しています。
この分類器は、最初に健康および糖尿病性網膜症 (DR) クラスに関連する特徴を識別するようにトレーニングされ、その後、入力画像を健康、DR、および緑内障の 3 つのクラスに分類するタスクに適応するように微調整されます。
この戦略により、モデルの分類機能を徐々に強化できるため、使用できるラベル付きデータセットの数が限られている状況では有益です。
摂動法は、モデルの意思決定プロセスに影響を与える入力画像の特性を特定するためにも使用されます。
公開されているデータセットでは全体の精度 91% を達成しています。

要約(オリジナル)

The prevalence of ocular illnesses is growing globally, presenting a substantial public health challenge. Early detection and timely intervention are crucial for averting visual impairment and enhancing patient prognosis. This research introduces a new framework called Class Extension with Limited Data (CELD) to train a classifier to categorize retinal fundus images. The classifier is initially trained to identify relevant features concerning Healthy and Diabetic Retinopathy (DR) classes and later fine-tuned to adapt to the task of classifying the input images into three classes: Healthy, DR, and Glaucoma. This strategy allows the model to gradually enhance its classification capabilities, which is beneficial in situations where there are only a limited number of labeled datasets available. Perturbation methods are also used to identify the input image characteristics responsible for influencing the models decision-making process. We achieve an overall accuracy of 91% on publicly available datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google