SDC-Net: Mejora de la segmentación de la retinopatía diabética multiclasa mediante redes de colaboración...

Área de la Ciencia:

• Oftalmología
• Imágenes Médicas
• Visión por Computadora

Sus antecedentes:

• La retinopatía diabética (RD) es una causa principal de ceguera a nivel mundial.
• La segmentación precisa de las lesiones del fondo es vital para el cribado, la gradación y el seguimiento de la RD.
• La segmentación simultánea de diversas lesiones de RD presenta desafíos significativos debido a variaciones en la forma, el tamaño y la apariencia.

Objetivo del estudio:

• Desarrollar y evaluar un marco novedoso para la segmentación simultánea de cuatro tipos de lesiones de retinopatía diabética.
• Abordar los desafíos de la segmentación de múltiples lesiones de RD con características variables.

Principales métodos:

• Se propuso una red de colaboración superficial-profunda (SDC-Net) con un mecanismo de atención guiado por wavelet.
• El marco integra redes superficiales y profundas para una extracción mejorada de características multiescala.
• Se incorporó una tarea auxiliar de superresolución para mejorar la precisión y la robustez del entrenamiento.

Principales resultados:

• SDC-Net logró puntuaciones promedio de Dice de 60,27, 39,98 y 42,57 en los conjuntos de datos IDRiD, DDR y FGADR, respectivamente.
• Las puntuaciones promedio de intersección sobre unión (IoU) fueron 44,53, 25,71 y 28,58 en los conjuntos de datos.
• Los valores promedio del área bajo la curva característica operativa del receptor (AUC) alcanzaron 68,75, 57,37 y 64,21.

Conclusiones:

• El diseño de doble rama y el módulo de atención wavelet capturan eficazmente características multiescala y mejoran la extracción de detalles de las lesiones.
• La tarea de superresolución contribuyó a mejorar la precisión y la robustez en la segmentación de lesiones de RD.
• SDC-Net muestra potencial para mejorar el diagnóstico clínico de la RD a través de la segmentación precisa de múltiples lesiones del fondo.