OCTAve: 2D en face optische Kohärenztomographie-Angiographie-Gefäßsegmentierung im schwach überwachten Lernen mit Lokalitätsaugmentation

Obwohl in jüngster Zeit verstärkt Forschungsarbeiten zur Extraktion von Gefäßstrukturen aus 2D-en-face-OCTA-Daten mittels Deep-Learning-Techniken durchgeführt wurden, ist bekannt, dass der Datenannotierungsprozess für gekrümmte Strukturen wie die Retinavasculatur äußerst kostspielig und zeitaufwändig ist, obwohl einige Ansätze versucht haben, dieses Problem anzugehen. In dieser Arbeit schlagen wir die Anwendung einer scribble-basierten, schwach überwachten Lernmethode vor, um die pixelgenaue Annotation zu automatisieren. Das vorgeschlagene Verfahren, OCTAve genannt, kombiniert schwach überwachtes Lernen mittels scribble-annotierter Referenzdaten mit einem adversarialen und einem neuartigen selbstüberwachten tiefen Supervisionsansatz. Unser neuartiger Mechanismus nutzt die diskriminativen Ausgaben der Diskriminierungsschicht einer UNet-ähnlichen Architektur aus, wobei während des Trainings die Kullback-Leibler-Divergenz zwischen den aggregierten diskriminativen Ausgaben und der Segmentierungsvorhersage minimiert wird. Diese kombinierte Methode führt gemäß unseren Experimenten zu einer verbesserten Lokalisierung der Gefäßstrukturen. Wir validieren unsere Methode an großen öffentlichen Datensätzen, nämlich ROSE und OCTA-500. Die Segmentierungsleistung wird sowohl gegenüber state-of-the-art vollständig überwachten als auch gegenüber scribble-basierten schwach überwachten Ansätzen verglichen. Die Implementierung unserer Arbeit, die in den Experimenten verwendet wurde, ist unter [LINK] verfügbar.