引言

4444.JPG

喂，大家晚上好，我是***
我今天给大家分享的是
一篇来自AAAI 2020的 ，，
他 做的是多任务的 视网膜病变的分级和分割

（翻页）

image.png

这篇文章的贡献是，
一是提出了一种用于 多任务学习的半监督方法
二是提出了MTUnet模型
三是 作者的方法可以显着提高现有网络的性能，
特别是在区分具有中度 DR 和轻度 DR 这两方面。
这个DR指的是糖尿病视网膜病变。

作者这篇文章中的多任务
指的是，1是视网膜病变分割
2是 视网膜病变分级，这是个分类问题

为了用一个模型完成2个任务，
有2种显而易见的方法

一是基于UNet模型 ，
在网络解码器部分的末尾
添加视网膜病变的分级输出

另一种是，一个两步网络，
先是用 UNet 输出分割掩码，
然后 在进行DR分级预测。

（翻页）

44.JPG

作者没有使用这2种方法
而是提出了一种新方法

这个是作者提出的新模型MTUnet
也可以 完成 分割和分类2个任务

但其实MTUnet很简单
就是，用VGG16网络替换
原来的Unet的编码器部分。。
然后，由这个VGG-16输出视网膜图像的分类。。
解码器利用这个网络提取的特征
来获得视网膜病变分割结果。。

（翻页）

444.JPG

这个就是他的模型的具体结构
在 vgg16最后一步， 卷积块结束时
使用 最大池化 来提取最终特征，
进行视网膜图像的分级分类。
然后使用对应的
反卷积操作完成病变的分割。

（翻页）

55.JPG

下面来看一下，作者的实验结果
这个图是，作者拿他的模型 和 其他的 模型 做对比
其实他，也用了，resnet,
densenet 做 unet 的编码器。。
但是，只有 vgg做解码器的unet 分割效果最佳，
然后，就吧 这个 表现最好的模型 命名为 MTUnet

从这个图中，可以看到
ResNet 和 Inception没有检测到红色病变
DenseNet 只检测到与 红色病变 相对应的部分区域
只有作者提出的模型，
和他真实的标签值 是 最接近的。。

因为 做分割任务 的 标签的 图像数量有限。。
所以作者，出了一种半监督方法，，
来增加图像数量。

他用小批量的数据，
将置信度比较高的那些，加入到训练集中
作为 MTUnet的输入

（翻页）

555.JPG

数据集：
他用了4个数据集，前两个是印度公开的数据集
第三个是Kaggle提供的数据集
最后一个是新加坡视网膜病变数据集

（翻页）

666.JPG

这个表格就证明了，
MTUnet 在分割红色和黄色病变，
方面都优于所有其他网络。。。

下面的这个表格，
也证明了他的模型，
在所有DR分类上，
都能获得更高的结果。。

（翻页）

555.JPG

他的优点是，解决了一个比较新的问题，
视网膜的病变分割和分级，，，
然后提出了一个新模型，MTUnet

他的缺点是：
他只是再用 vgg16替换了unet的编码器部分
创新点很小
但是他之所以能投在AAAI，
除了是因为，
他解决了一个比较新的问题以外。。
他的写作也是值得学习的

(结束)

大家有上面问题吗？
没有的话，那我就结束了