Attention W-Net: Improved Skip Connections for better Representations

要約

眼底検査網膜画像における大血管および微小血管構造のセグメンテーションは、複数の網膜および全身性疾患の検出において重要な役割を果たしますが、解決するのは難しい問題です。
ほとんどのニューラルネットワークアプローチは、十分なパラメータの不足、過剰適合、および/または内部特徴空間間の非互換性などのいくつかの問題に直面しています。
これらの問題に対処するために、網膜血管セグメンテーションのための新しいU-NetベースのアーキテクチャであるAttentionW-Netを提案します。
このアーキテクチャでは、主に2つの貢献があります。注意ブロックと正則化対策です。
アテンションブロックは、エンコーダー機能とデコーダー機能の間でアテンションを使用するため、追加時の互換性が高くなります。
当社の正則化対策には、使用されるResNetブロックの拡張と変更が含まれ、過剰適合を大幅に防止します。
DRIVEで0.8407と0.9833、CHASE-DB1データセットでそれぞれ0.8174と0.9865のF1とAUCを観察します。これは、バックボーンを大幅に改善し、最新の最先端手法間のパフォーマンスを向上させます。

要約(オリジナル)

Segmentation of macro and microvascular structures in fundoscopic retinal images plays a crucial role in the detection of multiple retinal and systemic diseases, yet it is a difficult problem to solve. Most neural network approaches face several issues such as lack of enough parameters, overfitting and/or incompatibility between internal feature-spaces. We propose Attention W-Net, a new U-Net based architecture for retinal vessel segmentation to address these problems. In this architecture, we have two main contributions: Attention Block and regularisation measures. Our Attention Block uses attention between encoder and decoder features, resulting in higher compatibility upon addition. Our regularisation measures include augmentation and modifications to the ResNet Block used, which greatly prevent overfitting. We observe an F1 and AUC of 0.8407 and 0.9833 on the DRIVE and 0.8174 and 0.9865 respectively on the CHASE-DB1 datasets – a sizeable improvement over its backbone as well as competitive performance among contemporary state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google