RURANET++: An Unsupervised Learning Method for Diabetic Macular Edema Based on SCSE Attention Mechanisms and Dynamic Multi-Projection Head Clustering

要約

糖尿病患者の間で一般的な合併症である糖尿病性黄斑浮腫（DME）は、視覚障害と失明の主な原因を構成します。
ディープラーニングは医療画像分析で顕著な進歩を遂げていますが、従来のDME診断は依然として広範な注釈付きデータと主観的な眼科医の評価に依存しており、実用的なアプリケーションを制限しています。
これに対処するために、監視されていない学習ベースの自動DME診断システムであるRuranet ++を提示します。
このフレームワークには、病変の特徴抽出を強化するための空間およびチャネルスクイーズ＆励起（SCSE）の注意メカニズムを備えた最適化されたU-NETアーキテクチャが組み込まれています。
機能処理中、事前に訓練されたGoogleNetモデルは、網膜画像から深い特徴を抽出し、その後、計算効率のためにPCAベースの次元削減を50次元に抽出します。
特に、マルチプロジェクションヘッドを使用してクラスターの多様性を明示的に制御しながら、類似のしきい値を動的に調整し、クラス内の一貫性とクラス間識別を最適化するために、クラスターの多様性を明示的に制御する新しいクラスタリングアルゴリズムを導入します。
実験結果は、複数のメトリックにわたって優れたパフォーマンスを示し、最大精度（0.8411）、精度（0.8593）、リコール（0.8411）、およびF1スコア（0.8390）を達成し、並外れたクラスタリング品質を備えています。
この研究は、DME診断のための効率的な監視されていないソリューションを提供し、臨床的に大きな意味を持ちます。

要約(オリジナル)

Diabetic Macular Edema (DME), a prevalent complication among diabetic patients, constitutes a major cause of visual impairment and blindness. Although deep learning has achieved remarkable progress in medical image analysis, traditional DME diagnosis still relies on extensive annotated data and subjective ophthalmologist assessments, limiting practical applications. To address this, we present RURANET++, an unsupervised learning-based automated DME diagnostic system. This framework incorporates an optimized U-Net architecture with embedded Spatial and Channel Squeeze & Excitation (SCSE) attention mechanisms to enhance lesion feature extraction. During feature processing, a pre-trained GoogLeNet model extracts deep features from retinal images, followed by PCA-based dimensionality reduction to 50 dimensions for computational efficiency. Notably, we introduce a novel clustering algorithm employing multi-projection heads to explicitly control cluster diversity while dynamically adjusting similarity thresholds, thereby optimizing intra-class consistency and inter-class discrimination. Experimental results demonstrate superior performance across multiple metrics, achieving maximum accuracy (0.8411), precision (0.8593), recall (0.8411), and F1-score (0.8390), with exceptional clustering quality. This work provides an efficient unsupervised solution for DME diagnosis with significant clinical implications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google