Learning self-calibrated optic disc and cup segmentation from multi-rater annotations

要約

眼底画像からの視神経乳頭（OD）と視神経乳頭（OC）のセグメンテーションは、緑内障診断の重要な基本的なタスクです。
臨床現場では、最終的なOD / OCアノテーションを取得するために、複数の専門家から意見を収集する必要があることがよくあります。
この臨床ルーチンは、個人の偏見を軽減するのに役立ちます。
ただし、データに複数の注釈が付けられている場合、標準の深層学習モデルは適用できません。
この論文では、マルチ評価者の注釈からOD/OCセグメンテーションを学習するための新しいニューラルネットワークフレームワークを提案します。
セグメンテーションの結果は、マルチ評価者の専門性の推定とキャリブレーションされたOD/OCセグメンテーションの反復最適化によって自己キャリブレーションされます。
このようにして、提案された方法は、両方のタスクの相互改善を実現し、最終的に洗練されたセグメンテーション結果を得ることができる。
具体的には、2つのタスクをそれぞれ処理するために、発散モデル（DivM）と収束モデル（ConM）を提案します。
ConMは、DivMが提供するマルチレイターエキスパートマップに基づいて生の画像をセグメント化します。
DivMは、ConMが提供するセグメンテーションマスクからマルチレイターエキスパートマップを生成します。
実験結果は、ConMとDivMを繰り返し実行することにより、結果を自己較正して、最先端の（SOTA）マルチ評価者セグメンテーション手法の範囲を上回ることができることを示しています。

要約(オリジナル)

The segmentation of optic disc(OD) and optic cup(OC) from fundus images is an important fundamental task for glaucoma diagnosis. In the clinical practice, it is often necessary to collect opinions from multiple experts to obtain the final OD/OC annotation. This clinical routine helps to mitigate the individual bias. But when data is multiply annotated, standard deep learning models will be inapplicable. In this paper, we propose a novel neural network framework to learn OD/OC segmentation from multi-rater annotations. The segmentation results are self-calibrated through the iterative optimization of multi-rater expertness estimation and calibrated OD/OC segmentation. In this way, the proposed method can realize a mutual improvement of both tasks and finally obtain a refined segmentation result. Specifically, we propose Diverging Model(DivM) and Converging Model(ConM) to process the two tasks respectively. ConM segments the raw image based on the multi-rater expertness map provided by DivM. DivM generates multi-rater expertness map from the segmentation mask provided by ConM. The experiment results show that by recurrently running ConM and DivM, the results can be self-calibrated so as to outperform a range of state-of-the-art(SOTA) multi-rater segmentation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google