Активное машинное обучение в задаче формирования обучающей выборки для автоматического анализа изображений сетчатки глаза

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

L. Nedoshivina, L. Lensu Active learning of the ground truth for retinal image segmentation (Активное машинное обучение в задаче формирования обучающей выборки для автоматического анализа изображений сетчатки глаза) [на англ. яз.] // Оптический журнал. 2019. Т. 86. № 11. С. 29–36. http://doi.org/10.17586/1023-5086-2019-86-11-29-36

L. Nedoshivina, L. Lensu Active learning of the ground truth for retinal image segmentation (Активное машинное обучение в задаче формирования обучающей выборки для автоматического анализа изображений сетчатки глаза) [in English] // Opticheskii Zhurnal. 2019. V. 86. № 11. P. 29–36. http://doi.org/10.17586/1023-5086-2019-86-11-29-36

Ссылка на англоязычную версию:

L. Nedoshivina and L. Lensu, "Active learning of the ground truth for retinal image segmentation," Journal of Optical Technology. 86(11), 697-703 (2019). https://doi.org/10.1364/JOT.86.000697

Аннотация:

Заболевания органов зрения, такие как диабетическая ретинопатия, могут быть диагностированы медицинскими экспертами по изображениям глазного дна. Чтобы разработать и сравнить методы автоматического анализа изображения, важно иметь достоверное экспертное знание о его содержимом. Для создания приемлемой обучающей выборки и оценки работы методов нескольким экспертам обычно необходимо проанализировать большое количество изображений. Для наблюдения прогрессирующей болезни оптимальным решением является использование методов их автоматической обработки. Подобный подход предоставляет возможность более широкого сканирования и позволяет помочь эксперту в обнаружении патологий. Результаты данного анализа должны быть сформированы в форме наиболее типичных и информативных изображений — контрольной обучающей выборки.
Одним из важных этапов при автоматической диагностике заболеваний по сетчатке глаза является задача сегментации изображений сосудов глазного дна. В данном исследовании были рассмотрены два метода сегментации. С учетом особенностей каждого алгоритма предложены методики применения к ним активного обучения.

Ключевые слова:

компьютерная диагностика, активное обучение, сегментация изображения сетчатки

Коды OCIS: 100.4996, 100.4993, 100.7410, 100.2960, 110.7410, 110.3080, 170.5755

Список источников:

1. Faust O., Acharya R., Ng E.Y.K., et al. Algorithms for the automated detection of diabetic retinopathy using digital fundus images: A review // J. Medical Systems. 2012. V. 36. № 1. P. 145–157.
2. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. V. 316. № 22. P. 2402–2410.
3. Shalev-Shwartz S. Online learning and online convex optimization // Foundations and Trends in Machine Learning. 2012. V. 4. № 2. P. 107–194.
4. Settles B. Active learning // Synthesis Lectures on Artificial Intelligence and Machine Learning. 2012. V. 6. № 1. P. 1–114.
5. Lewis D.D., Gale W.A. A sequential algorithm for training text classifiers // Proc. 17th Annual Internat. ACM SIGIR Conf. Research and Development in Information Retrieval. N.Y.: Springer-Verlag, Inc, 1994. P. 3–12.
6. Sánchez C.I., Niemeijer M., Kockelkorn T., et al. Active learning approach for detection of hard exudates, cotton wool spots, and drusen in retinal images // Medical Imaging 2009: Computer-Aided Diagnosis. 2009. V. 7260. P. 72601I.
7. Sánchez C.I., Niemeijer M., Abràmoff M.D., et al. Active learning for an efficient training strategy of computer-aided diagnosis systems: Application to diabetic retinopathy screening // Internat. Conf. Medical Image Computing and Computer-Assisted Intervention. 2010. P. 603–610.
8. Hoover A., Goldbaum M. Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels // IEEE Trans. Medical Imaging. 2003. V. 22. № 8. P. 951–958.
9. Staal J., Abràmoff M.D., Niemeijer M., et al. Ridge-based vessel segmentation in color images of the retina // IEEE Trans. Medical Imaging. 2004. V. 23. № 4. P. 501–509.

10. Owen C.G., Rudnicka A.R., Mullen R., et al. Measuring retinal vessel tortuosity in 10-year-old children: Validation of the computer-assisted image analysis of the retina (CAIAR) program // Investigative Ophthalmology & Visual Science. 2009. V. 50. № 5. P. 2004–2010.
11. Farnell D.J., Hatfield F., Knox P., et al. Enhancement of blood vessels in digital fundus photographs via the application of multiscale line operators // J. Franklin Institute. 2008. V. 345. № 7. P. 748–765.
12. Soares J.V., Leandro J.J., Cesar R.M., et al. Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification // IEEE Trans. Medical Imaging. 2006. V. 25. № 9. P. 1214–1222.
13. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Internat. Conf. Medical Image Computing and Computer-Assisted Intervention. Springer, 2015. P. 234–241.
14. Badrinarayanan V., Kendall A., Cipolla R. Segnet: A deep convolutional encoder-decoder architecture for image segmentation // IEEE Trans. Pattern Analysis and Machine Intelligence. 2017. V. 39. № 12. P. 2481–2495.
15. Kendall A., Badrinarayanan V., Cipolla R. Bayesian segnet: Model uncertainty in deep convolutional encoder-decoder architectures for scene understanding // 28th British Machine Vision Conf., 2017.
16. Sorenson T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species content // K Dan Vidensk Selsk Biol Skr. 1948. V. 5. P. 1–34.
17. Vostatek P., Claridge E., Uusitalo H., et al. Performance comparison of publicly available retinal blood vessel segmentation methods // Computerized Medical Imaging and Graphics. 2017. V. 55. P. 2–12.
18. Gorriz M. Cost-effective active learning for melanoma segmentation // arXiv preprint arXiv:1711.09168. 2017.