Semi-Supervised Multi-Task Learning for Interpretable Quality As- sessment of Fundus Images
Created by
Haebom
Category
Empty
저자
Lucas Gabriel Telesco, Danila Nejamkin, Estefania Mata, Francisco Filizzola, Kevin Wignall, Lucia Franco Troilo, Maria de los Angeles Cenoz, Melissa Thompson, Mercedes Leguia, Ignacio Larrabide, Jose Ignacio Orlando
개요
망막 영상 품질 평가(RIQA)는 안구 질환의 컴퓨터 지원 진단을 지원합니다. 하지만 대부분의 도구는 재촬영을 안내하기 위한 획득 결함을 표시하지 않고 전체 영상 품질만 분류합니다. 이 간극은 상세 주석의 높은 비용 때문에 발생합니다. 본 논문에서는 전체 품질에 대한 수동 레이블과 다중 작업 프레임워크 내의 품질 세부 사항에 대한 의사 레이블을 결합하는 하이브리드 반지도 학습 접근 방식을 도입하여 이러한 한계를 완화하고자 합니다. 우리의 목표는 광범위한 수동 레이블링 없이 더 해석 가능한 RIQA 모델을 얻는 것입니다. 의사 레이블은 소규모 데이터 세트에서 훈련된 Teacher 모델에 의해 생성된 다음, 사전 훈련된 모델을 다중 작업 설정에서 미세 조정하는 데 사용됩니다. ResNet-18 백본을 사용하여 이러한 약한 주석이 단일 작업 기준선보다 품질 평가를 개선하는 것을 보여줍니다(EyeQ에서 F1: 0.875 대 0.863, DeepDRiD에서 0.778 대 0.763). 다중 작업 모델은 대부분의 세부 사항 예측 작업에 대해 Teacher와 통계적으로 유사한 성능을 달성했습니다(p > 0.05). 본 논문과 함께 공개된 새로 주석 처리된 EyeQ 하위 집합에서 우리의 모델은 전문가와 유사하게 수행되어 의사 레이블 노이즈가 전문가의 변동성과 일치한다는 것을 시사합니다.
시사점, 한계점
•
전체 품질 평가를 개선할 뿐만 아니라, 촬영 조건(조명, 선명도, 대비)에 대한 해석 가능한 피드백을 제공합니다.
•
추가적인 수동 레이블링 비용 없이 해석 가능성을 향상시키며, 영상 재촬영을 안내하기 위한 임상적으로 실행 가능한 출력을 제공합니다.
•
제안된 접근 방식이 특정 데이터 세트에만 적용될 수 있고, 다양한 데이터 세트에서의 일반화 성능을 추가적으로 검증해야 할 수 있습니다.
