GS-Net: Global Self-Attention Guided CNN for Multi-Stage Glaucoma Classification

要約

緑内障は、適時に発見されないと不可逆的な失明につながる一般的な目の病気です。
したがって、より良い治療計画を立て、最終的に視力を守るためには、緑内障を早期に検出することが最も重要です。
最近の文献では、網膜眼底画像から緑内障を検出するための CNN ベースの方法が卓越していることが示されています。
しかし、そのような方法は主に二項分類タスクを解決することに焦点を当てており、病変サイズの微小なばらつきとクラス間の類似性の高さにより比較的困難である、さまざまな緑内障段階の検出については十分に検討されていません。
この論文では、効率的な多段階緑内障分類のために、GS-Net と呼ばれるグローバルなセルフ アテンション ベースのネットワークを提案します。
チャネル アテンション モジュール (CAM) と空間アテンション モジュール (SAM) という 2 つの並列アテンション モジュールで構成されるグローバル セルフ アテンション モジュール (GSAM) を導入し、チャネルおよび空間次元にわたるグローバルな特徴の依存関係を学習します。
GSAM は、眼底画像からより識別可能なクラス固有の特徴を抽出することを奨励しています。
公開されているデータセットの実験結果は、当社の GS-Net が最先端の手法よりも優れていることを示しています。
また、GSAM は人気の注目モジュールに対して競争力のあるパフォーマンスを実現します。

要約(オリジナル)

Glaucoma is a common eye disease that leads to irreversible blindness unless timely detected. Hence, glaucoma detection at an early stage is of utmost importance for a better treatment plan and ultimately saving the vision. The recent literature has shown the prominence of CNN-based methods to detect glaucoma from retinal fundus images. However, such methods mainly focus on solving binary classification tasks and have not been thoroughly explored for the detection of different glaucoma stages, which is relatively challenging due to minute lesion size variations and high inter-class similarities. This paper proposes a global self-attention based network called GS-Net for efficient multi-stage glaucoma classification. We introduce a global self-attention module (GSAM) consisting of two parallel attention modules, a channel attention module (CAM) and a spatial attention module (SAM), to learn global feature dependencies across channel and spatial dimensions. The GSAM encourages extracting more discriminative and class-specific features from the fundus images. The experimental results on a publicly available dataset demonstrate that our GS-Net outperforms state-of-the-art methods. Also, the GSAM achieves competitive performance against popular attention modules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google