Feature Representation Learning for Robust Retinal Disease Detection from Optical Coherence Tomography Images

要約

眼科画像には、異なる網膜変性疾患を区別するための自動化された技術の失敗を引き起こす可能性のある同一の外観の病状が含まれている可能性があります。
さらに、大規模な注釈付きデータセットへの依存と知識の蒸留の欠如により、MLベースの臨床サポートシステムの実際の環境での展開が制限される可能性があります。
知識の堅牢性と伝達性を向上させるには、網膜部分空間から意味のある空間表現を抽出するための強化された特徴学習モジュールが必要です。
そのようなモジュールは、効果的に使用された場合、独特の疾患特性を検出し、そのような網膜変性病変の重症度を区別することができます。
この作業では、3つの学習ヘッドを備えた堅牢な疾患検出アーキテクチャを提案します。i）網膜疾患分類のための教師ありエンコーダ、ii）疾患固有の空間情報の再構築のための教師なしデコーダ、およびiii）
エンコーダー-デコーダー機能間の類似性を学習し、モデルの精度を向上させます。
2つの公開されているOCTデータセットに関する実験結果は、提案されたモデルが、分布外の網膜疾患の検出の精度、解釈可能性、および堅牢性の点で、既存の最先端モデルよりも優れていることを示しています。

要約(オリジナル)

Ophthalmic images may contain identical-looking pathologies that can cause failure in automated techniques to distinguish different retinal degenerative diseases. Additionally, reliance on large annotated datasets and lack of knowledge distillation can restrict ML-based clinical support systems’ deployment in real-world environments. To improve the robustness and transferability of knowledge, an enhanced feature-learning module is required to extract meaningful spatial representations from the retinal subspace. Such a module, if used effectively, can detect unique disease traits and differentiate the severity of such retinal degenerative pathologies. In this work, we propose a robust disease detection architecture with three learning heads, i) A supervised encoder for retinal disease classification, ii) An unsupervised decoder for the reconstruction of disease-specific spatial information, and iii) A novel representation learning module for learning the similarity between encoder-decoder feature and enhancing the accuracy of the model. Our experimental results on two publicly available OCT datasets illustrate that the proposed model outperforms existing state-of-the-art models in terms of accuracy, interpretability, and robustness for out-of-distribution retinal disease detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google