CeCNN: Copula-enhanced convolutional neural networks in joint prediction of refraction error and axial length based on ultra-widefield fundus images

要約

超広視野 (UWF) 眼底画像は、近視に関連する合併症のスクリーニング、検出、予測、治療において従来の眼底画像に取って代わりつつあります。これは、そのはるかに広い視野範囲が高度近視の目に有利であるためです。
等価球面（SE）は主な近視結果の尺度として広く使用されており、眼軸長（AL）は近視を評価するための重要な眼の要素として関心が高まっています。
最先端の研究では、SEとALには強い相関があることが示されています。
SE と AL からの結合情報を使用することは、どちらかを個別に使用するよりも優れている可能性があります。
深層学習コミュニティでは、3D 画像バイオマーカーを使用した複数応答タスクに関する研究がありますが、応答間の依存性は散発的にのみ考慮されています。
統計的手法によってデータから抽出された情報が深層学習モデルの予測精度を向上させることができるという精神に触発され、回帰分類と回帰の二変量タスクのために、高次テンソル バイオマーカーを使用した多変量応答回帰モデルのクラスを定式化します。
-回帰。
具体的には、ガウス コピュラ (ウォームアップ CNN から推定されたパラメーターを使用) を介して応答間の依存性を組み込み、バックボーン CNN で誘発されたコピュラ尤度損失を使用する、コピュラ強化畳み込みニューラル ネットワーク (CeCNN) フレームワークを提案します。
前述の 2 つの二変量タスクのための統計的フレームワークとアルゴリズムを確立します。
バックボーン モデルに依存関係情報を追加した後、CeCNN の予測精度が向上することを示します。
モデリングと提案された CeCNN アルゴリズムは、UWF シナリオを超えて適用可能であり、ResNet や LeNet 以外の他のバックボーンでも効果的です。

要約(オリジナル)

Ultra-widefield (UWF) fundus images are replacing traditional fundus images in screening, detection, prediction, and treatment of complications related to myopia because their much broader visual range is advantageous for highly myopic eyes. Spherical equivalent (SE) is extensively used as the main myopia outcome measure, and axial length (AL) has drawn increasing interest as an important ocular component for assessing myopia. Cutting-edge studies show that SE and AL are strongly correlated. Using the joint information from SE and AL is potentially better than using either separately. In the deep learning community, though there is research on multiple-response tasks with a 3D image biomarker, dependence among responses is only sporadically taken into consideration. Inspired by the spirit that information extracted from the data by statistical methods can improve the prediction accuracy of deep learning models, we formulate a class of multivariate response regression models with a higher-order tensor biomarker, for the bivariate tasks of regression-classification and regression-regression. Specifically, we propose a copula-enhanced convolutional neural network (CeCNN) framework that incorporates the dependence between responses through a Gaussian copula (with parameters estimated from a warm-up CNN) and uses the induced copula-likelihood loss with the backbone CNNs. We establish the statistical framework and algorithms for the aforementioned two bivariate tasks. We show that the CeCNN has better prediction accuracy after adding the dependency information to the backbone models. The modeling and the proposed CeCNN algorithm are applicable beyond the UWF scenario and can be effective with other backbones beyond ResNet and LeNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google