论文笔记-BIRA-NET: BILINEAR ATTENTION NET FOR DIABETIC RETINOPATHY GRADING

·目录

摘要

1.引言

2.相关工作

3.提出BIRA-NET分级方法

3.1常规ResNet

3.2提出注意力机制

 3.3.所提出的双线性模型

3.4 分级损失

4.实验结果

4.1数据集及实现：

 4.2 性能标准

4.3 Baseline方法

 4.4结果

5.结论

---

目录

摘要

糖尿病性视网膜病变(DR)是一种常见的导致失明的视网膜疾病。为了诊断的目的，DR图像分级旨在提供自动的DR分级分类，这在传统的二元DR图像分类研究方法中是没有解决的。

眼睛图像中的小物体，如病变和微动脉瘤，对医学成像中的糖尿病分级至关重要，但它们很容易受到其他物体的影响。为了解决这些挑战，我们提出了一种新的深度学习架构，称为BiRA-Net，它结合了特征提取的注意力模型和细粒度分类的双线性模型。

此外，在考虑不同DR类别的不同等级之间的距离时，我们提出了一种新的损失函数，称为分级损失，从而提高了该方法的训练收敛性。实验结果表明，该方法具有优越的性能。

作者想解决的问题：解决DR分级中病变和微血管瘤这种极易受到其他物体影响的小物体的分类。

作者解决问题的理论/模型：①提出了一种新型的深度学习架构，称为BiRA-Net ②提出了一种新的损失函数-分级损失

这个方法的优越性在哪？：①BiRA-Net 结合了特征提取的Attention模型和细粒度分类的双线性模型 ②考虑不同DR类别的不同等级之间的距离，该损失函数提高了方法的训练收敛性

1.引言

DR诊断的主要挑战是，DR是一种没有早期预警信号的无声疾病，这使得及时的诊断是无效的。传统的解决方案是低效的，其中，训练有素的临床医生可以手动检查和评估来自数字Fondus摄影的诊断图像。

这种手段的检测方式根据可见到的医生和病人的人数，需要几天时间。除此之外，这种诊断的结果因医生而异，其准确性在很大程度上依赖于从业者的专业知识。此外，在许多博士领域可能缺乏所需的专业知识和设备。

上述挑战提出了开发自动DR检测系统的必要性。近年来，进行了许多自动检测，重点是特征提取和两类预测。这些作品在某种程度上是有效的，但也有几个缺点。首先，从照片中提取的特征是手工制作的特征，它们对许多条件都很敏感，如噪声、暴露性和伪影。其次，特征定位和分割不能很好地嵌入到整个DR检测框架中。此外，只有通过诊断来确定DR是否存在，而不是诊断其严重程度，并不能很好地解决实际问题，也不能为医生提供有用的信息。

最近，卷积神经网络(CNN)在各种计算机视觉任务中表现出了有吸引力的性能。在本文中，我们采用基于CNN的架构开发了一种五级DR图像分级方法。在所提出的架构中，我们设计了一种更好的特征提取和损失函数，称为分级损失，快速收敛。此外，本文使用双线性策略更好地预测细粒度图像任务。与其他最先进的五类分类研究工作相比，该方法能够获得优越的分类精度性能。本文的贡献总结如下：

①提出了一种新的深度学习架构BiRA-Net来解决DR分级的挑战。它包含了一种为更好的特征学习而设计的注意机制。此外，还采用了双线性训练策略来帮助细粒度视网膜图像的分类。

②提出了一种基于Softmax的新损失函数为了测量细粒度DR分级问题的模型分类精度，并通过实验验证，从而有效地提高了该方法的训练收敛性。

本文的其余部分组织如下。首先，在第2节中提供了对相关工作的简要回顾。然后在第3节中提出了所提出的BiRA-Net，并与第4节中最先进的方法进行了比较。最后，第5节结束了本文。

背景介绍：为什么研究这个课题：传统的检测手段需要大量的知识储备和设备，且耗时过长，对于医生的专业素养要求过高。

研究进行到了哪个阶段：先前的研究有特征提取和两类预测，但是特征提取对于噪声等众多条件敏感，局限性高，