網膜OCT分類のためのカリキュラムベースのマスクオートエンコーダーを用いた効率的なアンサンブル学習 | JoVE Visualize

科学分野:

眼科イメージング解析
医用画像分類
眼科学における深層学習

背景:

網膜光干渉断層撮影（OCT）は、眼疾患の診断に不可欠です。
OCTの正確な多クラス分類器の開発は、ラベル付きデータが限られていることと、自己教師あり事前学習の高い計算コストによって妨げられています。
既存の手法は、複雑なOCT分類タスクにおける効率とパフォーマンスに苦労しています。

研究の目的:

OCT分類における表現学習を改善するためのカリキュラムベースの自己教師ありフレームワーク（CurriMAE）を導入すること。
OCT解析のための自己教師あり事前学習に関連する計算負荷を削減すること。
網膜OCT画像の多クラス分類器のパフォーマンスを向上させること。

主な方法:

段階的なマスクオートエンコーダー（MAE）事前学習を利用した2つのアンサンブル戦略、CurriMAE-SoupとCurriMAE-Greedyを開発しました。
段階的なマスキング比率を用いたカリキュラム誘導MAE事前学習を実行し、繰り返しトレーニングを回避しました。
KermanyおよびOCTDLデータセットで手法を評価し、標準MAEおよび教師ありベースライン（ResNet-34、ViT-S）と比較しました。

主要な成果:

CurriMAE手法は、OCTDLデータセット（7つの網膜クラス）において、標準MAEおよび教師ありベースラインを大幅に上回りました。
CurriMAE-Greedyは、0.995のAUCと93.32%の精度で最高のパフォーマンスを達成しました。
CurriMAE-Soupは、大幅に低い推論複雑性と削減されたモデルストレージで競争力のある精度を提供しました。

結論:

提案されたカリキュラムベースの自己教師ありアンサンブルフレームワーク（CurriMAE）は、多クラス網膜OCT分類のための効果的でリソース効率の高いソリューションです。
CurriMAE手法は、段階的なマスキングとモデル融合を通じて、計算コストを削減しながら高いパフォーマンスを示します。
このフレームワークは、データと計算リソースが限られている実際の眼科イメージングアプリケーションに大きな可能性を示しています。