阅读论文（八）

论文题目:

Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images

中文题目：

通过眼底图像进行基于病灶的糖尿病视网膜病变分级对比学习

0摘要

手动标注医学图像是非常昂贵的，特别是对于大规模数据集。自监督对比学习已被用于从未标记的图像中学习特征表示。然而，与自然图像不同，对比学习在医学图像中的应用相对有限。在这项工作中，我们提出了一个自我监督框架，即基于病变的对比学习，用于糖尿病视网膜病变(DR)自动分级。在常见的对比学习方案中，病灶斑块不是以整个图像作为输入，而是使用病灶斑块来鼓励特征提取器学习具有高度判别性的表征来进行DR分级。我们还研究了不同的数据增强操作来定义我们的对比预测任务。在可公开访问的数据集EyePACS上进行了大量实验，表明我们提出的框架在线性评估和传输能力评估方面都表现出色。

Keywords:

Contrastive learning · self-supervised learning · lesion · diabetic retinopathy · fundus image

1介绍

糖尿病视网膜病变(Diabetic retinopathy, DR)是糖尿病的微血管并发症之一，可导致视力损害甚至失明。DR的主要病理征象包括出血、渗出、微动脉瘤和视网膜新生血管，如图1所示。

hemorrhage：出血

soft exudate：软渗出物

hard exudate：硬渗出物

Microaneurysm：微血管瘤

彩色眼底图像是眼科医生最常用的识别DR严重程度的图像，它可以清楚地显示不同病变的存在。早期诊断和及时干预对预防DR患者视力障碍至关重要。因此，迫切需要基于眼底图像的自动、高效的DR诊断系统。

近年来，深度学习在医学图像分析领域取得了巨大的成功。卷积神经网络(CNN)被用来解决自动DR分级任务。CNN的成功在于其提取高度代表性特征的能力。然而，它通常需要一个大规模的带注释的数据集来训练网络。注释过程耗时、繁琐且容易出错，因此眼科医生在构建注释良好的数据集方面承担着沉重的负担。

已经探索了自监督学习(SSL)方法来从未标记的图像中学习特征表示。对比学习(CL)作为SSL方法的代表在自然图像领域取得了非常成功，它定义了一种对比预测任务，即通过对比损失来最大化同一图像不同增强视图的特征之间的相似性，同时最大化来自不同图像的特征之间的距离。然而，CL在眼底图像领域的应用相对有限，主要原因是眼底图像分辨率高，诊断特征占比低。首先，眼底图像分辨率高，可以清晰地显示结构和病理细节。对于CL来说，训练大批量的高分辨率图像是一个挑战，而CL通常需要这些图像来提供更多的负样本。其次，数据增强通常在CL中应用，以生成同一图像的不同视图。然而，一些应用于眼底图像的强数据增强操作可能会破坏重要的特定于领域的信息，如裁剪和剪切。在自然图像中，显著物体通常占据非常大的比例，它们的每一部分都可能有助于对感兴趣的物体的识别，而眼底图像中的诊断特征，如病变，可能只占整个图像的一小部分，这可能导致输入到CL框架的大多数裁剪补丁很少或没有诊断功能。通过这种方式，网络倾向于学习特征表示，这些特征表示对于图像的不同视图是可区分的，但对于下游任务则没有区别性。基于眼底图像的DR分级中的CL更是罕见。

为了解决上述问题，我们提出了一种基于病灶对比学习的眼底图像DR分级方法。而不是使用整个眼底图像，病变斑块作为我们的对比预测任务的输入。通过关注有病变的斑块，鼓励网络学习更多判别特征来进行DR分级。

我们的框架如下：首先，在一个公开可用的数据集IDRiD上训练目标检测网络，该数据集由81