Improving the performance of Bayesian deep model training for artery-vein segmentation

Abstract

Retinal images are an important tool for diagnosis of ocular diseases. Automating the process of screening the retinal images would allow wider screening and make diagnosing of patients’ swifter. The possibility of performing computer aided artery-vein segmentation has been the focus of several studies during the recent years. Deep neural networks have become the most popular model used in artery-vein segmentation. This work studies algorithms that aim to improve the performance of Bayesian deep neural networks in artery-vein segmentation. Stochastic weight averaging and stochastic weight averaging Gaussian were selected as the methods for the study and experimentation. The experiments and results are provided along side uncertainty quantification analysis. Based on the experiments, stochastic weight averaging seems to improve the performance of the networks and while stochastic weight averaging gaussian did not seem to improve the performance of the classification it reduced the epistemic uncertainty significantly.

Silmänpohjakuvien analysoinnin automatisointi voisi mahdollistaa suurempien seulontojen järjestämisen ja tehdä potilaiden diagnosoinnista nopeampaa. Tietokoneavusteisen valtimo-laskimo-luokittelun mahdollisuutta on tutkittu paljon viime vuosina, ja syvistä neuroverkoista on tullut suosituin menetelmä kuvien ja kuvakohteiden luokitteluun. Tässä työssä tutkitaan algoritmeja, joiden tarkoituksena on parantaa bayesilaisten syvien neuroverkkojen suorituskykyä valtimo-laskimo-luokittelussa. Algoritmeiksi valittiin stochastic weight averaging ja stochastic weight averaging gaussian. Kokeiden perusteella voidaan todeta, että stochastic weight averaging-algoritmi paransi verkon luokittelutuloksia. Stochastic weight averaging gaussian-algoritmin käyttö vähensi episteemistä epävarmuutta huomattavasti.