基于元学习的小样本视网膜OCT图像分类方法研究摘要.PDFVIP

基于元学习的小样本视网膜OCT图像分类方法研究摘要

基于元学习的小样本视网膜OCT图像分类方法研究

摘要

视网膜是人眼的重要组成部分，视网膜的健康对于人类的视觉系统至关重要。

任何视网膜的损伤、疾病或异常都可能导致眼部问题或视力障碍。光学相干断层扫

描（OpticalCoherenceTomography，OCT）技术在眼科领域被广泛应用于视网膜疾

病的诊断。视网膜OCT图像的自动分类能够有效帮助医生对患者进行筛查、诊断和

随访。目前深度学习已广泛应用于医学图像领域，为一些常见疾病的自动筛查提供

了帮助。但是对于病例量较少的罕见疾病，传统的深度学习算法无法获得很好的效

果。本文基于元学习理论，提出了两种小样本学习方法来解决样本量不足情况下视

网膜OCT图像的分类任务。

提出了一种两阶段蒸馏元学习方法（TwoStageDistillationbasedMeta-learning，

TSD-META）来实现视网膜OCT图像的分类。在第一阶段中，使用元学习对教师网

络进行训练，得出一个具有较高泛化性的初始化参数，为指导学生模型的训练提供

基础。第二阶段中，使用元学习将第一阶段得到的教师模型用于指导浅层的学生网

络，并且设计了注意引导蒸馏（AttentionGuidedDistillation，AGD）模块，鼓励学

生网络关注关键区域的信息，从而更好的引导模型进行分类。另外，为了提升算法

在不同任务下的适应能力，引入自适应温度系数（AdaptiveTemperatureCoefficient，

ATC）机制，在训练过程中自动优化参数，使算法能够根据不同的任务需求，自动

调整至最佳的温度系数，进而优化其性能表现。

提出了一种基于元数据增强及一致性损失的元学习（Meta-LearningwithData

GenerationandConsistencyLearning，Meta-DGCL）分类算法。首先，为了帮助模型

快速收敛以及缓解过拟合现象，引入元迁移学习（Meta-TransferLearning，MTL）

对分类网络进行预训练。其次，为了提升初始化参数的合理性，提高模型在新任务

上的适应能力，提出无标注查询更新（UnlabeledQueryUpdate，UQU）策略，该策

略在元学习中引入熵正则化提升模型的泛化性能。另外，引入混合数据增强方法，

I

ResearchonFew-ShotClassificationforRetinalOCTImagesBasedonMeta-LearningAbstract

ResearchonFew-ShotClassificationforRetinalOCT

ImagesBasedonMeta-Learning

Abstract

Theretinaisanimportantcomponentofthehumaneyes,anditshealthisvitaltothe

humanvisualsystem.Anydamage,diseaseorabnormalityoftheretinamayleadtoeye

problemsorvisualimpairment.OpticalCoherenceTomography(OCT)technologyis

widelyusedinophthalmologyforthediagnosisofretinaldiseases.Theautomatic

classificationofretinalOCTimagescaneffectivelyhelpphysiciansscreen,diagnoseand

followuppatients.Atpresent,convolutionalneuralnetworkshavebeenwidelyappliedin

thefieldofmedicalimages,providingas