DEEP LEARNING-BASED RETINAL VESSEL SEGMENTATION: ATTENTION U-NET

Abstract

Тор қабықша (ретина) тамырларын сегменттеу – қант диабетіне байланысты ретинопатия, макулалық дегенерация және шала туған нәрестелердің ретинопатиясы (ROP) сияқты көз ауруларын ерте анықтау үшін аса маңызды. Бұл зерттеуде көз түбінің кескіндеріндегі тамырларды сегменттеу үшін Attention U-Net негізіндегі терең оқыту архитектурасының өнімділігі бағаланды. Модель DRIVE (Digital Retinal Images for Vessel Extraction) деректер жиынтығында тиісті алдын ала өңдеу сатыларын қолданып үйретілді және тексерілді. Эксперименттер нәтижесінде тест жиынында F1 көрсеткіші 0.81 және соңғы дәлдік шамамен 0.97 болды. Бағалау көрсеткіштеріне дәлдік (accuracy), сезімталдық (sensitivity), ерекшелік (specificity), нақтылық (precision), F1 көрсеткіші, Жаккар индексі (IoU) және Дайс коэффициенті кірді. Класс теңгерімсіздігі және ұсақ тамыр құрылымдарын дәл анықтау сияқты құрылымдық қиындықтар да ескерілді. Сонымен қатар, модель оқыту кезінде қолданылмаған сыртқы деректер жиынтығындағы тор қабықша кескіндерінде де сыналып, жоғары дәлдікпен сегменттеу нәтижелерін көрсетті. Бұл нәтижелер модельдің жалпы қолданылу қабілетінің жоғары екенін көрсетеді, және ол тек үйретілген деректерге ғана емес, басқа көздерден алынған кескіндерге де тиімді қолдануға болатынын дәлелдейді. Жалпы, нәтижелер Attention U-Net архитектурасы клиникалық қолдану үшін сенімді әрі тиімді шешім екенін көрсетеді.