视网膜血管图像细分使用改进的基于残留模块的UNet
Ko-Wei Huang1, Yao-Ren Yang1, Zih-Hao Huang1
1Department of Electrical Engineering, National Kaohsiung University of Science and Technology, Kaohsiung 80778, Taiwan.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了改进的U-Net深度学习模型,用于在医学图像中准确的视网膜血管细分. 人工智能模型提高了诊断效率,并优于对基准数据集的现有方法.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 临床诊断和医学成像分析的深度学习正在迅速发展.
- 传统的医学图像评估依赖于个体临床医生的专业知识,这可能是耗时和主观的.
- 人工智能 (AI) 为高效的医疗信息评估提供了自动化分析和诊断援助的趋势.
研究的目的:
- 为准确的视网膜血管细分提出一种新的机器学习架构.
- 增强特征提取和结合多尺度信息,以提高细分性能.
主要方法:
- 开发一个改进的U-Net神经网络模型,其中包含一个残余模块,用于有效的特征提取.
- 实现全尺度跳过连接,以整合不同尺度的低级别细节与高级别特征.
- 在基准数据集 (DRIVE和ROSE) 上进行实验评估,以评估细分精度.
主要成果:
- 拟议的模型实现了视网膜血管图像的准确细分.
- 该方法在DRIVE和ROSE数据集上表现出优异的性能,与现有的U-Net,ResUNet,U-Net3+,ResUNet++和CaraNet等模型相比.
结论:
- 增强的U-Net架构提供了准确和高效的视网膜血管细分.
- 这种人工智能驱动的方法支持临床医生在医学图像评估中,提高诊断效率.
