摘要

噪声数据以及不同眼科疾病导致的眼部外观相似性给自动化专家系统在准确检测视网膜疾病方面带来了重大挑战。此外，知识迁移性的缺乏和对不合理大数据集的需求限制了当前机器学习系统的临床应用。为了提高系统的鲁棒性，需要更好地理解视网膜子空间变形如何导致不同程度的疾病严重性，并利用这些理解来优先考虑特定疾病的模型细节。本文提出了一种基于特定疾病特征表示的新架构，该架构由两个联合网络组成——一个用于监督编码疾病模型，另一个以无监督的方式生成注意力图以保留特定疾病的时空信息。我们在公开数据集上的实验结果表明，所提出的联合网络显著提高了最先进的视网膜疾病分类网络在未见数据集上的准确性和鲁棒性。