Integrating Edge Information into Ground Truth for the Segmentation of the Optic Disc and Cup from Fundus Images

要約

視神経乳頭とカップのセグメンテーションは、緑内障、心筋梗塞、糖尿病性網膜症の診断に役立ちます。
セグメンテーション タスクを実行するために開発された深層学習手法のほとんどは、U-Net ベースのモデル アーキテクチャ上に構築されています。
それにもかかわらず、U-Net とその亜種には、必要な関心領域が過剰セグメント化または過小セグメント化される傾向があります。
最も重要な結果はセグメント化された領域そのものではなく、カップ対ディスク比の値であるため、境界の下の領域よりも境界を重視します。
このため、領域の学習と比較してエッジの学習が重要になります。
提案された研究では、著者らはラプラシアン フィルターを使用して、グラウンド トゥルースから視神経乳頭とカップの両方のエッジを抽出することを目的としています。
次に、エッジが再構築されて、視神経乳頭カップのグラウンド トゥルースに加えてエッジのグラウンド トゥルースが取得されます。
著者らは、両方のグランド トゥルースを利用して、ターゲットとして視神経乳頭とカップのエッジを使用した場合と使用しない場合のいくつかの U-Net とそのバリアント アーキテクチャを、セグメンテーション用の視神経乳頭とカップのグランド トゥルースとともに研究しています。
著者らは REFUGE ベンチマーク データセットと Drishti-GS データセットを使用して研究を実行し、結果はサイコロとハウスドルフ距離メトリックについて表にまとめられています。
REFUGE データセットの場合、ベースライン U-Net モデルの視神経乳頭平均ダイス スコアは 0.7425 から 0.8859 に改善され、平均ハウスドルフ距離は 6.5810 から 3.0540 に減少しました。
同様に、同じモデルの光学カップの平均ダイススコアは 0.6970 から 0.8639 に改善され、平均ハウスドルフ距離は 5.2340 から 2.6323 に減少しました。
Drishti-GS データセットでも同様の改善が観察されました。
ベースライン U-Net とそのバリアント (つまり、Attention U-Net および U-Net++) と比較して、視神経乳頭領域およびカップ領域とともに統合エッジを学習するモデルは、検証データセットとテスト データセットの両方で良好なパフォーマンスを示しました。

要約(オリジナル)

Optic disc and cup segmentation helps in the diagnosis of glaucoma, myocardial infarction, and diabetic retinopathy. Most deep learning methods developed to perform segmentation tasks are built on top of a U-Net-based model architecture. Nevertheless, U-Net and its variants have a tendency to over-segment/ under-segment the required regions of interest. Since the most important outcome is the value of cup-to-disc ratio and not the segmented regions themselves, we are more concerned about the boundaries rather than the regions under the boundaries. This makes learning edges important as compared to learning the regions. In the proposed work, the authors aim to extract both edges of the optic disc and cup from the ground truth using a Laplacian filter. Next, edges are reconstructed to obtain an edge ground truth in addition to the optic disc-cup ground truth. Utilizing both ground truths, the authors study several U-Net and its variant architectures with and without optic disc and cup edges as target, along with the optic disc-cup ground truth for segmentation. The authors have used the REFUGE benchmark dataset and the Drishti-GS dataset to perform the study, and the results are tabulated for the dice and the Hausdorff distance metrics. In the case of the REFUGE dataset, the optic disc mean dice score has improved from 0.7425 to 0.8859 while the mean Hausdorff distance has reduced from 6.5810 to 3.0540 for the baseline U-Net model. Similarly, the optic cup mean dice score has improved from 0.6970 to 0.8639 while the mean Hausdorff distance has reduced from 5.2340 to 2.6323 for the same model. Similar improvement has been observed for the Drishti-GS dataset as well. Compared to the baseline U-Net and its variants (i.e) the Attention U-Net and the U-Net++, the models that learn integrated edges along with the optic disc and cup regions performed well in both validation and testing datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google