A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection

要約

糖尿病性網膜症 (DR) は、世界中の失明の主な原因です。
糖尿病の治療には早期診断が不可欠であり、視力障害の予防に役立ちます。
医用画像の手動注釈は時間とコストがかかり、一貫性のない診断につながる主観的な傾向があるため、これらの課題に対処するためにいくつかの深層学習セグメンテーション アプローチが提案されています。
ただし、これらのネットワークは多くの場合、バイナリ クロス エントロピー (BCE) などの単純な損失関数に依存しており、DR に存在するような病変を効果的にセグメント化するには十分に洗練されていない可能性があります。
この論文では、ハード滲出液の検出とセグメンテーションにおけるこれらのネットワークのパフォーマンスを改善するために、グローバルセグメンテーション損失、パッチごとの密度損失、およびパッチごとのエッジ認識損失を組み込んだ損失関数を提案します。
いくつかの最先端のネットワークで提案された損失関数をBCE損失と比較すると、実験結果は、パッチごとの対照的な損失を組み込むことによって達成されたネットワークパフォーマンスの大幅な改善を明らかにしています。

要約(オリジナル)

Diabetic retinopathy (DR) is a leading cause of blindness worldwide. Early diagnosis is essential in the treatment of diabetes and can assist in preventing vision impairment. Since manual annotation of medical images is time-consuming, costly, and prone to subjectivity that leads to inconsistent diagnoses, several deep learning segmentation approaches have been proposed to address these challenges. However, these networks often rely on simple loss functions, such as binary cross entropy (BCE), which may not be sophisticated enough to effectively segment lesions such as those present in DR. In this paper, we propose a loss function that incorporates a global segmentation loss, a patch-wise density loss, and a patch-wise edge-aware loss to improve the performance of these networks on the detection and segmentation of hard exudates. Comparing our proposed loss function against the BCE loss on several state-of-the-art networks, our experimental results reveal substantial improvement in network performance achieved by incorporating the patch-wise contrastive loss.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google