光学干渉断層画像を用いた網膜変性検出のための共同注意ネットワークによるロバスト性向上

ノイジーなデータと異なる眼科疾患によって引き起こされる目の外見の類似性は、自動化された専門システムが網膜疾患を正確に検出する上で大きな課題となっています。さらに、知識の転移可能性の欠如と不合理に大規模なデータセットの必要性が、現在の機械学習システムの臨床応用を制限しています。堅牢性を向上させるためには、網膜部分空間変形が疾患の重篤度にどのように影響を与えるかについてより深い理解が必要であり、これを基にして疾患特異的なモデル詳細を優先的に扱うことが求められます。本論文では、疾患特異的な特徴表現を使用することを提案します。これは、2つの結合ネットワークから構成される新しいアーキテクチャで、一方は疾患モデルの監督エンコーディング用、他方は疾患特異的な空間情報を保持するために非監督的に注意マップを生成します。公開データセットでの実験結果は、提案した結合ネットワークが未見のデータセットにおいて最先端の網膜疾患分類ネットワークの精度と堅牢性を大幅に向上させることを示しています。