23、糖尿病视网膜病变诊断的深度学习高斯过程

糖尿病视网膜病变诊断的深度学习高斯过程

1. 相关工作

在糖尿病视网膜病变（DR）的二元检测方面，已经提出了许多方法，其中大多数基于深度神经网络。部分方法将深度模型与度量学习技术相结合，例如将Inception - V3训练并嵌入到类似孪生网络的模块中，最终的DR二元或分级预测由全连接层给出。还有研究提出定制的深度卷积神经网络来提取特征，并结合原始眼底图像的多个元数据训练梯度提升分类器进行DR预测。也有对Inception - V3模型使用私有眼底图像集进行微调，以预测五个DR等级标签。

在预测不确定性估计方面，有使用贝叶斯推理进行DR二元分类不确定性量化的方法，也有利用随机批量归一化计算模型预测DR水平区间的不确定性，还有使用不同医生为每个患者提供多个标签的数据集来计算不确定性，以预测患者诊断中的专业意见分歧。

在使用高斯过程（GP）进行卷积神经网络不确定性估计方面，在DR自动检测领域之外已有相关工作，如开发框架通过用GP对预测残差建模来估计任何预训练标准神经网络的不确定性，并应用于基于面部图像的年龄估计；还有在神经网络顶部端到端训练GP，使模型对对抗性示例更具鲁棒性，并用于MNIST和CIFAR - 10数据集的分类。

2. 深度学习高斯过程用于糖尿病视网膜病变诊断（DLGP - DR）

DLGP - DR方法的总体策略包括三个阶段：
- 预处理阶段 ：对所有使用的眼底图像数据集进行预处理，消除无法识别圆形感兴趣区域的非常暗的图像，去除多余的黑色边缘，并将图像调整为299×299像素。
- 特征提取阶段 ：使用在ImageNet上训练并在