Retinal Lesion Segmentation Using Transfer Learning with an Encoder-Decoder CNN.
Deep learning (DL) techniques achieve high performance in the detection of illnesses in retina images, but the majority of models are trained with different databases for solving one specific task. Consequently, there are currently no solutions that can be used for the detection/segmentation of a va...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 43; no. 2; pp. 53 - 64 |
|---|---|
| Autores principales: | , , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
May-Aug2022
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=lth&AN=158224524&site=ehost-live header: @attributes: shortDbName: lth uiTerm: 158224524 longDbName: MedicLatina uiTag: AN controlInfo: bkinfo: jinfo: jid: 01889532 7L3 jtl: Revista Mexicana de Ingeniería Biomédica issn: 01889532 maglogo: N pubinfo: dt: May-Aug2022 vid: 43 iid: 2 pid: 20850 pub: Sociedad Mexicana de Ingenieria Biomedica, A.C. artinfo: ui: 158224524 10.17488/RMIB.43.2.4 ppf: 53 ppct: 11 formats: fmt: @attributes: type: P size: 1.7MB tig: atl: Retinal Lesion Segmentation Using Transfer Learning with an Encoder-Decoder CNN. aug: au: Ortiz-Feregrino, Rafael Tovar-Arriaga, Saúl Pedraza-Ortega, Jesús Carlos Takacs, Andras affil: Universidad Autónoma de Querétaro su: Deep learning Retinal diseases Learning Biological neural networks Retina sug: subj: Deep learning Retinal diseases Learning Biological neural networks Retina keyword: Encoder-decoder Lesion segmentation Retinal images Transfer learning Aprendizaje profundo Codificador-decodificador Imágenes de retina Segmentación de lesiones Transferencia de conocimiento ab: Deep learning (DL) techniques achieve high performance in the detection of illnesses in retina images, but the majority of models are trained with different databases for solving one specific task. Consequently, there are currently no solutions that can be used for the detection/segmentation of a variety of illnesses in the retina in a single model. This research uses Transfer Learning (TL) to take advantage of previous knowledge generated during model training of illness detection to segment lesions with encoder-decoder Convolutional Neural Networks (CNN), where the encoders are classical models like VGG-16 and ResNet50 or variants with attention modules. This shows that it is possible to use a general methodology using a single fundus image database for the detection/segmentation of a variety of retinal diseases achieving state-of-the-art results. This model could be in practice more valuable since it can be trained with a more realistic database containing a broad spectrum of diseases to detect/segment illnesses without sacrificing performance. TL can help achieve fast convergence if the samples in the main task (Classification) and sub-tasks (Segmentation) are similar. If this requirement is not fulfilled, the parameters start from scratch. Las técnicas de Deep Learning (DL) han demostrado un buen desempeño en la detección de anomalías en imágenes de retina, pero la mayoría de los modelos son entrenados en diferentes bases de datos para resolver una tarea en específico. Como consecuencia, actualmente no se cuenta con modelos que se puedan usar para la detección/segmentación de varias lesiones o anomalías con un solo modelo. En este artículo, se utiliza Transfer Learning (TL) con la cual se aprovecha el conocimiento adquirido para determinar si una imagen de retina tiene o no una lesión. Con este conocimiento se segmenta la imagen utilizando una red neuronal convolucional (CNN), donde los encoders o extractores de características son modelos clásicos como VGG-16 y ResNet50 o variantes con módulos de atención. Se demuestra así, que es posible utilizar una metodología general con bases de datos de retina para la detección/ segmentación de lesiones en la retina alcanzando resultados como los que se muestran en el estado del arte. Este modelo puede ser entrenado con bases de datos más reales que contengan una gama de enfermedades para detectar/ segmentar sin sacrificar rendimiento. TL puede ayudar a conseguir una convergencia rápida del modelo si la base de datos principal (Clasificación) se parece a la base de datos de las tareas secundarias (Segmentación), si esto no se cumple los parámetros básicamente comienzan a ajustarse desde cero. pubtype: Academic Journal doctype: Article src: R language: English refInfo: copyright: @attributes: flag: Y custom: Copyright of Revista Mexicana de Ingeniería Biomédica is the property of Sociedad Mexicana de Ingenieria Biomedica, A.C. and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. item: Revista Mexicana de Ingeniería Biomédica holder: Sociedad Mexicana de Ingenieria Biomedica, A.C. dt: @attributes: year: 2022 holdings: @attributes: islocal: N |
|---|