Retinal Vessel Segmentation via a Multi-resolution Contextual Network and Adversarial Learning

要約

タイトル：多重解像度コンテキストネットワークと対抗学習による網膜血管セグメンテーション

要約：
– 網膜病の間に適時かつ手頃なコンピュータ支援診断は、盲目を防止するために重要である。
– 正確な網膜血管セグメンテーションは、視覚を脅かす疾患の進行や診断に重要な役割を果たす。
– 多重解像度コンテキストネットワーク（MRC-Net）を提案して、多重スケール特徴を抽出して、意味的に異なる特徴間の文脈依存関係を学習し、双方向再帰学習を使用して前者-後者と後者-前者の依存関係をモデル化する。
– 別の重要な考え方は、領域ベーススコアの最適化による前景セグメンテーションの改善を目的とした対抗的な学習である。
– この新しい戦略は、トレーニング可能なパラメータの数を比較的低く保ちながら、Diceスコア（および対応するJaccard指数）に関してセグメンテーションネットワークのパフォーマンスを向上させる。
– 我々は、DRIVE、STARE、CHASEを含む3つのベンチマークデータセットで方法を評価し、文献での競合するアプローチと比較して、その優れた性能を示した。

要約(オリジナル)

Timely and affordable computer-aided diagnosis of retinal diseases is pivotal in precluding blindness. Accurate retinal vessel segmentation plays an important role in disease progression and diagnosis of such vision-threatening diseases. To this end, we propose a Multi-resolution Contextual Network (MRC-Net) that addresses these issues by extracting multi-scale features to learn contextual dependencies between semantically different features and using bi-directional recurrent learning to model former-latter and latter-former dependencies. Another key idea is training in adversarial settings for foreground segmentation improvement through optimization of the region-based scores. This novel strategy boosts the performance of the segmentation network in terms of the Dice score (and correspondingly Jaccard index) while keeping the number of trainable parameters comparatively low. We have evaluated our method on three benchmark datasets, including DRIVE, STARE, and CHASE, demonstrating its superior performance as compared with competitive approaches elsewhere in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI