ConKeD++ — Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses

要約

自己教師あり対照学習は、最も成功した深層学習パラダイムの 1 つとして浮上しています。
この点で、画像レジストレーション、さらに最近では医療画像レジストレーションの特定の分野で広く使用されています。
この研究では、カラー眼底画像登録のための最先端のフレームワークである ConKeD をテストし、拡張および改善することを提案します。
ConKeD フレームワークを使用して、複数の損失関数をテストし、それらをフレームワークとアプリケーション ドメインに適応させます。
さらに、標準化されたベンチマーク データセット FIRE と、これまでカラー眼底登録に使用されたことのないいくつかのデータセットを使用してモデルを評価しており、そのペアリング データと標準化された評価アプローチをリリースしています。
私たちの研究は、すべてのデータセットとメトリクスにわたって最先端のパフォーマンスを実証し、現在の SOTA カラー眼底登録方法に比べていくつかの利点を示しています。

要約(オリジナル)

Self-supervised contrastive learning has emerged as one of the most successful deep learning paradigms. In this regard, it has seen extensive use in image registration and, more recently, in the particular field of medical image registration. In this work, we propose to test and extend and improve a state-of-the-art framework for color fundus image registration, ConKeD. Using the ConKeD framework we test multiple loss functions, adapting them to the framework and the application domain. Furthermore, we evaluate our models using the standarized benchmark dataset FIRE as well as several datasets that have never been used before for color fundus registration, for which we are releasing the pairing data as well as a standardized evaluation approach. Our work demonstrates state-of-the-art performance across all datasets and metrics demonstrating several advantages over current SOTA color fundus registration methods

arxiv情報

提供元, 利用サービス

arxiv.jp, Google