基于多模态迁移学习的视网膜血管分割方法
图像与视频处理
2020-12-23 v1 计算机视觉与模式识别
摘要
在眼科学中，视网膜微循环的研究是分析许多眼部和全身性疾病（如高血压或糖尿病）的关键问题。这推动了改进视网膜血管分割的研究。如今，全卷积神经网络（FCN）通常代表最成功的图像分割方法。然而，这些模型的成功取决于对所使用架构和技术的充分选择与适配，以及大量标注数据的可用性。当将 FCN 应用于医学图像分割时，这两个问题变得尤为突出：首先，现有模型通常从针对摄影图像的广泛域应用调整而来；其次，标注数据量通常更稀缺。在这项工作中，我们提出基于多模态迁移学习的视网膜血管分割方法，对近期 FCN 架构进行 comparative 研究。特别地，为克服标注数据稀缺，我们提出利用现有未标注多模态数据的自监督网络预训练的新应用。结果表明，自监督预训练网络在目标任务中以更少训练获得显著更好的血管掩膜，且与网络架构无关；并且一些受广泛域应用驱动的 FCN 架构进展并未转化为对血管分割任务的显著改进。
引用
@article{arxiv.2012.10160,
title = {Multimodal Transfer Learning-based Approaches for Retinal Vascular Segmentation},
author = {José Morano and Álvaro S. Hervella and Noelia Barreira and Jorge Novo and José Rouco},
journal= {arXiv preprint arXiv:2012.10160},
year = {2020}
}