Performance evaluation of lightweight convolutional neural networks on retinal lesion segmentation

Titel in Übersetzung: Leistungsanalyse von leichtgewichtigen neuronalen Faltungsnetzen zur Segmentierung von Netzhautläsionen

Abstract

Zusätzlich zur Entwicklung von automatischen Erkennungssystemen für diabetische Retinopathie (DR) auf der Grundlage von Deep Learning werden derzeit Anstrengungen zur Integration dieser Systeme in mobile Erkennungsgeräte unternommen, die schlanke und leichtgewichtige Algorithmen erfordern. Um den klinischen Einsatz zu ermöglichen, ist es außerdem wichtig, die Transparenz der Deep-Learning-Systeme zu erhöhen, welche in der Regel Black-Box-Modelle sind und daher keinen Einblick in ihre zugrunde liegende Logik bei der Entscheidungsfindung geben. Durch die Bereitstellung präziser Segmentierungsmasken für Läsionen, die mit dem Schweregrad der DR in Zusammenhang stehen, kann eine gute Intuition über die Entscheidungsfindung des Systems vermittelt werden. Damit also ein Algorithmus zur mobilen, transparenten Erkennung von DR gleichzeitig krankheitsbedingte Läsionen segmentieren und auf Edge-Geräten laufen kann, werden leichtgewichtige, effiziente Modelle benötigt, die in der Lage sind, präzise Segmentierungsmasken zu erzeugen. Dies steht jedoch im Widerspruch zu der allgemein hohen Komplexität von vollständig faltungsbasierten Architekturen, die üblicherweise für die Bildsegmentierung verwendet werden. In dieser Arbeit evaluieren wir sowohl die Laufzeit als auch die Segmentierungsleistung mehrerer leichtgewichtiger, vollständig faltungsbasierter Netze für die Segmentierung von DR-bezogenen Läsionen und bewerten ihr Potenzial zur Erweiterung mobiler DR-Bewertungssysteme im Hinblick auf eine verbesserte Transparenz. Zu diesem Zweck wird das U2-Netz herunterskaliert, um die Rechenlast durch eine Verringerung der Merkmalstiefe und die Anwendung von separierbaren Faltungen zu reduzieren, und die Verwendung von Deep-Ensembling sowie die Single- und Multi-Task-Inferenz evaluiert, um die Leistung zu verbessern sowie die Speicheranforderungen weiter zu reduzieren. Die experimentellen Ergebnisse mit dem U2-Net-S†-Ensemble zeigen eine gute Segmentierungsleistung bei geringem Speicherbedarf und angemessener Inferenzgeschwindigkeit und stellen somit einen vielversprechenden ersten Schritt in Richtung eines ganzheitlichen mobilen Diagnosesystems dar, welches sowohl eine präzise Läsionssegmentierung als auch eine DR-Schweregradklassifizierung bieten kann.
Titel in ÜbersetzungLeistungsanalyse von leichtgewichtigen neuronalen Faltungsnetzen zur Segmentierung von Netzhautläsionen
OriginalspracheEnglisch
TitelMedical Imaging 2022: Computer-Aided Diagnosis
Redakteure/-innenKhan M. Iftekharuddin, Karen Drukker, Maciej A. Mazurowski, Hongbing Lu, Chisako Muramatsu, Ravi K. Samala
Herausgeber (Verlag)SPIE
Erscheinungsdatum2022
DOIs
PublikationsstatusVeröffentlicht - 2022

Strategische Forschungsbereiche und Zentren

  • Zentren: Center for Open Innovation in Connected Health (COPICOH)
  • Querschnittsbereich: Intelligente Systeme
  • Zentren: Zentrum für Künstliche Intelligenz Lübeck (ZKIL)

DFG-Fachsystematik

  • 409-05 Interaktive und intelligente Systeme, Bild- und Sprachverarbeitung, Computergraphik und Visualisierung

Zitieren