Conceitos Básicos
다중 대조 학습 손실 함수를 이용하여 망막 영상 등록을 위한 기술자 학습을 개선하였다.
Resumo
이 연구는 망막 영상 등록을 위한 ConKeD 프레임워크를 기반으로 다양한 대조 학습 손실 함수를 탐구하고 적용하여 성능을 향상시켰다.
주요 내용은 다음과 같다:
- ConKeD 프레임워크를 사용하여 다중 대조 손실 함수(SupCon, MP-InfoNCE, MP-N-Pair, FastAP)를 적용하고 비교 평가하였다.
- 기존 벤치마크 데이터셋 FIRE 외에 LongDRS, DeepDRiD 데이터셋을 새로 활용하여 다양한 환경에서의 성능을 평가하였다.
- 실험 결과, FastAP 손실 함수가 가장 우수한 성능을 보였으며, 모든 데이터셋에서 최신 기술 대비 향상된 결과를 달성하였다.
- 이를 통해 대조 학습 기반 기술자 학습의 성능 향상 가능성을 확인하였다.
Estatísticas
망막 영상 등록 성능 지표인 Registration Score에서 FIRE 데이터셋의 전체 평균 및 가중 평균이 0.765로 가장 높았다.
VTKRS 지표에서도 FIRE 데이터셋의 전체 평균 및 가중 평균이 0.665로 가장 높았다.
DeepDRiD 데이터셋에서 FastAP 손실 함수를 사용한 경우 DICE 0.8, IoU 0.67, IoM 0.88, SSIM 0.95, Structure Metric 0.93, LPIPS 0.21의 성능을 보였다.
LongDRS 데이터셋에서 FastAP 손실 함수를 사용한 경우 DICE 0.83, IoU 0.71, IoM 0.89, SSIM 0.96, Structure Metric 0.94, LPIPS 0.19의 성능을 보였다.
Citações
"다중 대조 학습 손실 함수를 이용하여 망막 영상 등록을 위한 기술자 학습을 개선하였다."
"FastAP 손실 함수가 가장 우수한 성능을 보였으며, 모든 데이터셋에서 최신 기술 대비 향상된 결과를 달성하였다."
"이를 통해 대조 학습 기반 기술자 학습의 성능 향상 가능성을 확인하였다."