ترجمه فارسی مقاله ادغام اطلاعات لبه در داده‌های زمینی برای قطعه‌بندی دیسک و کاپ بینایی از تصاویر فوندوس

چکیده

Optic disc and cup segmentation helps in the diagnosis of glaucoma, myocardial infarction, and diabetic retinopathy. Most deep learning methods developed to perform segmentation tasks are built on top of a U-Net-based model architecture. Nevertheless, U-Net and its variants have a tendency to over-segment/ under-segment the required regions of interest. Since the most important outcome is the value of cup-to-disc ratio and not the segmented regions themselves, we are more concerned about the boundaries rather than the regions under the boundaries. This makes learning edges important as compared to learning the regions. In the proposed work, the authors aim to extract both edges of the optic disc and cup from the ground truth using a Laplacian filter. Next, edges are reconstructed to obtain an edge ground truth in addition to the optic disc-cup ground truth. Utilizing both ground truths, the authors study several U-Net and its variant architectures with and without optic disc and cup edges as target, along with the optic disc-cup ground truth for segmentation. The authors have used the REFUGE benchmark dataset and the Drishti-GS dataset to perform the study, and the results are tabulated for the dice and the Hausdorff distance metrics. In the case of the REFUGE dataset, the optic disc mean dice score has improved from 0.7425 to 0.8859 while the mean Hausdorff distance has reduced from 6.5810 to 3.0540 for the baseline U-Net model. Similarly, the optic cup mean dice score has improved from 0.6970 to 0.8639 while the mean Hausdorff distance has reduced from 5.2340 to 2.6323 for the same model. Similar improvement has been observed for the Drishti-GS dataset as well. Compared to the baseline U-Net and its variants (i.e) the Attention U-Net and the U-Net++, the models that learn integrated edges along with the optic disc and cup regions performed well in both validation and testing datasets.

چکیده به فارسی (ترجمه ماشینی)

تقسیم دیسک نوری و تقسیم جام به تشخیص گلوکوم ، انفارکتوس میوکارد و رتینوپاتی دیابتی کمک می کند.بیشتر روشهای یادگیری عمیق که برای انجام وظایف تقسیم بندی توسعه یافته اند ، در بالای معماری مدل مبتنی بر U-Net ساخته شده اند.با این وجود ، U-NET و انواع آن تمایل دارند که مناطق مورد نیاز مورد نیاز را بیش از حد بخش/ زیر بخش قرار دهند.از آنجا که مهمترین نتیجه ارزش نسبت فنجان به دیسک است و نه خود مناطق تقسیم شده ، ما بیشتر نگران مرزها هستیم تا مناطق تحت مرزها.این باعث می شود لبه های یادگیری نسبت به یادگیری مناطق مهم باشند.در کار پیشنهادی ، نویسندگان قصد دارند با استفاده از فیلتر لاپلاسی ، هر دو لبه دیسک نوری و فنجان را از حقیقت زمین استخراج کنند.در مرحله بعد ، لبه ها برای به دست آوردن یک حقیقت زمین حاشیه ای علاوه بر حقیقت زمین دیسک دیسک نوری بازسازی می شوند.نویسندگان با استفاده از هر دو حقایق زمینی ، چندین NET U-NET و معماری های مختلف آن را با و بدون دیسک نوری و لبه های فنجان به عنوان هدف ، به همراه حقیقت زمین دیسک نوری برای تقسیم بندی مطالعه می کنند.نویسندگان برای انجام مطالعه از مجموعه داده های معیار پناهگاه و مجموعه داده Drishti-GS استفاده کرده اند و نتایج برای معیارهای فاصله تاس و هاوسدورف جدول بندی شده است.در مورد مجموعه داده پناهندگی ، میانگین نمره دیسک دیسک نوری از 0.7425 به 0.8859 بهبود یافته است در حالی که میانگین فاصله Hausdorff از 6.5810 به 3.0540 برای مدل U-NET پایه کاهش یافته است.به طور مشابه ، میانگین میانگین تاس جام نوری از 0.6970 به 0.8639 بهبود یافته است در حالی که میانگین فاصله Hausdorff از 5.2340 به 2.6323 برای همان مدل کاهش یافته است.بهبود مشابهی برای مجموعه داده Drishti-GS نیز مشاهده شده است.در مقایسه با پایه U-NET و انواع آن (یعنی) توجه U-NET و U-NET ++ ، مدلهایی که لبه های یکپارچه را به همراه مناطق دیسک نوری و CUP می آموزند ، در هر دو مجموعه داده های اعتبار سنجی و آزمایش عملکرد خوبی دارند.