ディープラーニングベースの網膜容器セグメンテーションのためのジョイントセグメントレベルおよびピクセルごとの損失

目的：網膜容器セグメンテーションの深い学習ベースの方法は、通常、ピクセルごとの損失に基づいて訓練されます。これは、予測される確率マップと対応する手動で注釈付きセグメンテーションの間のピクセル間マッチングですべての容器ピクセルを同等に処理します。ただし、眼底画像の厚い血管と薄い血管の間の非常に不均衡なピクセル比により、ピクセルごとの損失は、深い学習モデルを制限して、薄い血管の正確なセグメンテーションの特徴を学習することになります。 方法：この論文では、トレーニングプロセスにおける薄い血管の厚さの一貫性を強調する新しいセグメントレベルの損失を提案します。セグメントレベルとピクセルごとの損失の両方を共同で採用することにより、損失計算における厚い血管と薄い血管の間の重要性はよりバランスが取れます。その結果、モデル全体の複雑さを高めることなく、船舶セグメンテーションのために、より効果的な機能を学ぶことができます。 結果：パブリックデータセットの実験結果は、関節損失によって訓練されたモデルが、個別のトレーニングとクロストレーニングの両方の評価で現在の最先端の方法を上回ることを示しています。 結論：ピクセルごとの損失と比較して、提案された関節損失フレームワークを利用すると、容器セグメンテーションのためのより識別可能な機能を学ぶことができます。さらに、セグメントレベルの損失は、深いネットワークアーキテクチャと浅いネットワークアーキテクチャの両方に一貫したパフォーマンス改善をもたらす可能性があります。 重要性：関節損失を使用したこの研究の結果は、ネットワークアーキテクチャを大幅に変更することなく、パフォーマンスを改善するために他の深い学習モデルに適用できます。

OBJECTIVE: Deep learning based methods for retinal vessel segmentation are usually trained based on pixel-wise losses, which treat all vessel pixels with equal importance in pixel-to-pixel matching between a predicted probability map and the corresponding manually annotated segmentation. However, due to the highly imbalanced pixel ratio between thick and thin vessels in fundus images, a pixel-wise loss would limit deep learning models to learn features for accurate segmentation of thin vessels, which is an important task for clinical diagnosis of eye-related diseases. METHODS: In this paper, we propose a new segment-level loss which emphasizes more on the thickness consistency of thin vessels in the training process. By jointly adopting both the segment-level and the pixel-wise losses, the importance between thick and thin vessels in the loss calculation would be more balanced. As a result, more effective features can be learned for vessel segmentation without increasing the overall model complexity. RESULTS: Experimental results on public data sets demonstrate that the model trained by the joint losses outperforms the current state-of-the-art methods in both separate-training and cross-training evaluations. CONCLUSION: Compared to the pixel-wise loss, utilizing the proposed joint-loss framework is able to learn more distinguishable features for vessel segmentation. In addition, the segment-level loss can bring consistent performance improvement for both deep and shallow network architectures. SIGNIFICANCE: The findings from this study of using joint losses can be applied to other deep learning models for performance improvement without significantly changing the network architectures.