Red de fusión transversal guiada por la incertidumbre para la segmentación de imágenes de la retina de los PTU

Área de la Ciencia:

• Imágenes médicas
• Aprendizaje profundo
• Visión por computadora

Sus antecedentes:

• El aprendizaje profundo sobresale en la segmentación de la tomografía de coherencia óptica (OCT), pero lucha con la incertidumbre debido a la distribución de datos y las limitaciones de la red.
• La estimación precisa de la incertidumbre es crucial para las evaluaciones fiables y las predicciones mejoradas de la segmentación de los PTU.

Objetivo del estudio:

• Proponer una nueva red de fusión entre capas guiada por la incertidumbre (UGCFNet) para mejorar la segmentación de la retina de los PTU.
• Integrar la cuantificación de la incertidumbre en el entrenamiento profundo de la red neuronal para mejorar la precisión de la segmentación.

Principales métodos:

• Utilice una arquitectura de codificador-decodificador que cuantifique la incertidumbre en múltiples etapas para centrarse en regiones de alta incertidumbre.
• Implementar la fusión de características entre capas para una comprensión completa de los detalles semánticos y morfológicos.
• Incorporar una red neuronal bayesiana mejorada y funciones de pérdida conscientes de incertidumbre para un modelado de incertidumbre efectivo.

Principales resultados:

• Se ha logrado un rendimiento de vanguardia en los conjuntos de datos de segmentación OCT de AI-Challenger y OIMHS.
• Se ha demostrado una alta precisión con coeficientes de similitud de Dice promedio del 79,47% y 93,22% en los respectivos conjuntos de datos.
• Extensivos experimentos han validado la eficacia del modelo en conjuntos de datos a gran escala de los PTU.

Conclusiones:

• La red UGCFNet propuesta hace avanzar significativamente la segmentación de la retina de los PTU.
• La integración de la orientación de incertidumbre y la fusión de características transversales conduce a resultados de segmentación más confiables y precisos.