Segmentación multi-tarea de las estructuras anatómicas de fondo de ojo usando Optimización Multi-Adaptativa

Abstract

[Resumen]: El aprendizaje multitarea es un paradigma prometedor para aprovechar las interrelaciones entre tareas durante el entrenamiento de las redes neuronales profundas. Este trabajo hace uso de una nueva estrategia, la Optimización Multi-Adaptativa (MAO), que a diferencia con los enfoques mas clásicos, que suelen estar limitados por el uso de esquemas de ponderación por tarea y no abordan completamente la contribución desigual de las distintas tareas al entrenamiento de la red, se ajusta dinámicamente la contribución de cada tarea al entrenamiento de cada parámetro individual de la red. En este proyecto se propone entrenar modelos que sean capaces de segmentar todas las estructuras anatómicas de relevancia en una imagen de fondo de ojo simultáneamente, es decir, entrenar modelos deep learning de segmentación multi-tarea. Se espera que esta aproximación proporcione dos principales ventajas. Primero, poder aprovechar la existencia de patrones comunes relevantes para varias tareas, y compartidos internamente en la red neuronal, lo que potencialmente puede mejorar el rendimiento con menor necesidad de datos etiquetados. Segundo, disponer de un único modelo neuronal resultante, más compacto que múltiples modelos, reduciendo los pasos de inferencia necesarios en su uso. [Abstract]: Multi-task learning is a promising paradigm for exploiting interrelationships between tasks during deep neural network training. This work makes use of a new strategy, Multi-Adaptive Optimization (MAO), which unlike more classical approaches, which are usually limited to the use of per-task weighting schemes and do not fully address the unequal contribution of different tasks to the training of the network, dynamically adjusts the contribution of each task to the training of each individual network parameter. In this project we propose to train models that are capable of segmenting all anatomical structures of relevance in a fundus image simultaneously, i.e., to train deep learning multi-task segmentation models. This approach is expected to provide two main advantages. First, being able to take advantage of the existence of common patterns relevant to several tasks, and shared internally in the neural network, which can potentially improve performance with less need for labeled data. Second, to have a single resulting neural model, more compact than multiple models, reducing the inference steps required in its use.