Retina Damar Segmentasyonunda Sinir Mimarisi Arama İçin Farklı Kodlama Yöntemlerinin Karşılaştırılması

Abstract

Retinal kan damar segmentasyonu dı̇yabetı̇k retı̇nopatı̇ ve yaşa bağli makula dejenerasyonu gibi göz hastalıklarının tespiti ve incelemesi açısından kritik bir görevdir. U-şekilli derin sinir ağlarının bu görev için başarılı sonuçlar verdiği bilinmektedir; fakat bu ağların optimize edilmesi gereken bir çok hiper-parametresi bulunmaktadır. Bu ağların otomatik bir şekilde optimizasyonu ve aranması için birçok sinir mimarisi arama (SMA) çalışması gerçekleştirilmiştir. SMA çalışmaları incelendiğinde seçilen kodlama şemalarının üretilen ağların karmaşıklığını ve performansını doğrudan etkilediği görülmüştür. Bu çalışmada, retinal kan damar segmentasyonu için sunduğumuz iki SMA çalışmasında (UNAS-Net ve MedUNAS) önerilen kodlama şemalarının performansları herkese açık olarak yayınlanan iki farklı retinal kan damar segmentasyonu veri kümesi üzerinde karşılaştırılmıştır. Elde edilen sonuçlara bakıldığında, önerilen her iki yöntemin temel alınan U-Net'ten 25 kata kadar daha az parametre ile tüm ölçütler açısından daha iyi performans gösterdiği görülmüştür. Ayrıca, SMA çalışmaları ile kıyaslandığında UNAS-Net’in 54,19 kata kadar daha az parametreyle ACC, SEN ve F1 değerleri açısından daha iyi sonuçlar ürettiği, benzer şekilde MedUNAS’ın 13,22 kata kadar daha az parametreye sahip model ile aynı metrikler açısından daha iyi sonuçlar elde edebildiği gösterilmiştir.

Retinal blood vessel segmentation is critical for detecting and investigating eye diseases such as diabetic retinopathy and age-related macular degeneration. U-shaped deep neural networks are known to give good results for this task, but these networks have many hyper-parameters that need to be optimized. Many neural architecture search (NAS) studies have been conducted to optimize and search these networks automatically. These studies have shown that the coding schemes used affect the complexity and performance of the generated networks. In this study, we compare the performance of the coding schemes proposed in two NAS for retinal blood vessel segmentation (UNAS-Net and MedUNAS) on two publicly released retinal blood vessel segmentation datasets. The results show that both methods outperform the baseline U-Net in all metrics with up to 25 times fewer parameters. Compared to NAS studies, UNAS-Net has shown better performance in terms of ACC, SEN, and F1 values with up to 54,19 times fewer parameters. Similarly, MedUNAS has achieved better results in terms of the same metrics with up to 13,22 times fewer parameters.