W-net：基于多任务深度神经网络同步分割多解剖结构视网膜组织
图像与视频处理
2020-06-12 v1 计算机视觉与模式识别
机器学习
摘要
多解剖结构的分割在医学图像分析中具有重要意义。在本研究中，我们提出了一种 -net，基于多任务学习（MTL）方案同步分割视网膜图像中的视盘（OD）和渗出物。我们引入了类平衡损失和多任务加权损失，以缓解类别不平衡问题并提升 -net 的鲁棒性与泛化能力。我们在两个公开数据集 e_ophtha_EX 和 DiaRetDb1 上通过五折交叉验证实验证明了方法的有效性。我们在 OD 分割上取得了 94.76% 和 95.73% 的 F1 分数，在渗出物分割上取得了 92.80% 和 94.14% 的 F1 分数。为进一步证明所提方法的泛化能力，我们将训练好的模型应用于 DRIONS-DB 数据集进行 OD 分割，并应用于 MESSIDOR 数据集进行渗出物分割。我们的结果表明，通过选择各任务的最优权重，基于 MTL 的 -net 优于在每个任务上单独训练的模型。代码与预训练模型将发布于：\url{https://github.com/FundusResearch/MTL_for_OD_and_exudates.git}。
引用
@article{arxiv.2006.06277,
title = {W-net: Simultaneous segmentation of multi-anatomical retinal structures using a multi-task deep neural network},
author = {Hongwei Zhao and Chengtao Peng and Lei Liu and Bin Li},
journal= {arXiv preprint arXiv:2006.06277},
year = {2020}
}