Adaptive Feature Fusion Neural Network for Glaucoma Segmentation on Unseen Fundus Images

要約

目に見えない領域での眼底画像のセグメンテーションは、特に小規模な医療データセットでトレーニングされた過剰パラメータ化されたディープ モデルの場合、困難です。
この課題に対処するために、私たちは、目に見えないドメインで緑内障セグメンテーションを行うための適応型特徴融合ニューラル ネットワーク (AFNN) という名前の手法を提案します。この手法は主に、ドメイン アダプター、特徴融合ネットワーク、自己教師ありマルチタスク学習の 3 つのモジュールで構成されます。
具体的には、ドメイン アダプターは、事前トレーニング済みモデルが他の画像ドメインから医療眼底画像ドメインに迅速に適応するのに役立ちます。
領域汎化能力を向上させるために、エンコーダとデコーダの機能融合ネットワークと自己教師ありマルチタスク学習が導入されています。
さらに、複雑な光学カップのセグメンテーション タスクでのモデルのパフォーマンスを向上させるために、加重ダイス損失も設計します。
私たちが提案した方法は、4 つの公開緑内障データセットで既存の眼底セグメンテーション方法と比較して優れたパフォーマンスを達成しました。

要約(オリジナル)

Fundus image segmentation on unseen domains is challenging, especially for the over-parameterized deep models trained on the small medical datasets. To address this challenge, we propose a method named Adaptive Feature-fusion Neural Network (AFNN) for glaucoma segmentation on unseen domains, which mainly consists of three modules: domain adaptor, feature-fusion network, and self-supervised multi-task learning. Specifically, the domain adaptor helps the pretrained-model fast adapt from other image domains to the medical fundus image domain. Feature-fusion network and self-supervised multi-task learning for the encoder and decoder are introduced to improve the domain generalization ability. In addition, we also design the weighted-dice-loss to improve model performance on complex optic-cup segmentation tasks. Our proposed method achieves a competitive performance over existing fundus segmentation methods on four public glaucoma datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google