Learning with Noisy Labels in Medical Images: Segmentation of Optic Nerve Head from 2D Fundus Images. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF MastersThesis_NorahAlSerhani_BindingVersionFINAL.pdf Restricted to Repository staff only until 9 March 2023. Download (23MB)

Arabic Abstract

إن الثورة المعلوماتية الهائلة التي نعيشها اليوم في شتى مجالات الحياة خدمت الإنسان خدمة عظيمة، في هذا البحث نسلط الضوء على استخدام خوارزميات التعلم العميق في المجال الطبي لأمراض العيون وتحديدًا، تشخيص مرض الجلوكوما. مرض الجلوكوما هو أحد أمراض العيون الأكثر شيوعًا والذي قد يؤدي للعمى في حال عدم الكشف المبكر. يسبب الجلوكوما ضررًا على العصب البصري الناقل للمعلومات من العين للمركز البصري في الدماغ. إن السبيل الأمثل للتقليل من ضرر ومضاعفات هذا المرض هو التشخيص المبكر. متابعة التغيرات التي تطرأ على رأس العصب البصري وتحديدًا، التغيرات التي تطرأ على القديح والقرص البصريين، يعد أحد أبرز طرق التشخيص المبكر. هذا الإجراء يستغرق وقتًا وجهدًا عاليين من أطباء العيون المختصين، مما يجعل هذا المجال محطّ اهتمام الباحثين والأطباء لإيجاد أدوات مساندة للأطباء وأداء تشخيص أفضل بمساعدة خوارزميات التعلم العميق لاسيما وأن حجم قواعد البيانات الطبية لصور العين المقطعية في تزايد. هذه البيانات تزيد من إمكانية الاستفادة من الخوارزميات المعتمدة بشكل كبير على حجم البيانات. في هذا البحث، نسلط الضوء على بيانات تجزئة مكوني العصب البصري وأبرز تحدي تواجهه، ألا وهو التباين الشديد بين الخبراء عند تجزئة الصور المقطعية. في هذه الأطروحة، نركز على التباين بين الأطباء عند تجزئتهم للصور عن طريق الاستفادة من تحليل الخلاف بين المعلقين على جانبين، الأول: التمييز بين أداء المعلقين، والثاني: تقييم صعوبة الصور. من خلال الجانب الأول، طرحنا تقنية (أو تي بي) لدمج آراء الأطباء في رأي واحد مع أخذ تمايزهم في عين الاعتبار. (أو تي بي) تميز بين المعلقين وتطبق اندماجًا مرجحًا وفقًا لذلك وبما يتناسب مع مقدار الاختلاف. على الجانب الآخر، استعنّا بتقييم الصور للاستدلال على درجة صعوبة تجزئة كل صورة. هذا ما مكننا من تطبيق إحدى تقنيات التعلم، التعلم الممنهج، على خوارزمية التعلم العميق. باستعمال (أو تي بي) والتعلم الممنهج وإحدى أبرز مجموعات البيانات ( RIGA )، تم تدريب نموذج التعلم العميق. أخيرًا، تم تقييم أداء نماذجنا باستخدام مقياسي ( IoU ) و ( Dice ) . مقارنة بتقنيات الدمج الحالية، تضفي (أو تي بي) نظرة أكثر شمولية على أوزان المعلقين قبيل الدمج. على الجانب الآخر، يتميز عملنا بتطبيقه للتعلم الممنهج في مجال تجزئة القديح والقرص البصريين.

English Abstract

The growing number of annotated medical images has paved the way for utilizing advanced data-driven techniques, such as Deep Learning. These techniques can enhance the accuracy, reliability, and speed of the current Computer-aided Detection (CAD) systems. In certain medical areas, the annotated images are noisy. A prevalent type of annotation noise occurs when involving multiple annotators for annotating a single image. Instead of having a single Ground Truth (GT) per image, multiple GTs are provided. Multi-annotator sets are common for tasks with high subjectivity. Though involving more experts raises the concerns of inter-annotator variability, in the general case, it enhances annotation reliability. One of the medical tasks prone to high inter-annotator variability is identifying Optic Disc (OD) and Optic Cup (OC) boundaries, which are located in the Optic Nerve Head (ONH). This task, known as ONH segmentation, is crucial for examining the Cup-to-Disc Ratio (CDR), a clinical indicator of Glaucoma disease. Identifying OD/OC boundaries is challenging due to various reasons, including the dense of vessels and low color contrast in the images data. In this thesis, we focus on the inter-annotator disagreement in multi-annotator ONH segmentation sets. We leverage the inter-annotator disagreement analysis in two aspects, discriminating between the annotators, and assessing the images’ difficulty. We propose a GTs fusion method, the OTB technique, that discriminates between annotators and applies a weighted fusion accordingly. Furthermore, we use the inter-annotator disagreement for scoring the difficulty of segmenting an image. We build a Curriculum Learning (CL) model for ONH segmentation by designing scoring and pacing functions. We apply the OTB technique on the RIGA set and used the fused GTs in training our curriculum-based model, the CL Optic nerve head Segmentation Model (CL-OSM). Lastly, we evaluate our models’ performance on fused and non-fused GTs evaluation sets using the Intersection over Union (IoU) and Dice scores. Compared to the reviewed literature, OTB provides a more general view of the annotators’ weights for fusion. In addition, our work is the first to propose curriculum-based models for ONH segmentation. Our experimental results demonstrate that a combination of OTB fusion and CL models provide enhanced results on the OC segmentation, (82.2% -88.45%) in Dice score and (70.05% - 79.36%) in IoU score evaluated on the annotators of the Magrabi-RIGA dataset.

Item Type:	Thesis (Masters)
Subjects:	Computer
Committee Advisor:	Alzaidy, Rabeah
Committee Members:	Helmy, Tarek and Al awami, Louai and Almuhammadi, Sultan
Depositing User:	NORAH AL-SERHANI (g201902310)
Date Deposited:	10 Mar 2022 06:45
Last Modified:	10 Mar 2022 06:45
URI:	http://eprints.kfupm.edu.sa/id/eprint/142074