优化深度学习架构用于自动细分OCT图像中的囊,使用X-Let转换
Reza Darooei1,2, Milad Nazari3,4, Rahele Kafieh1,5
1Medical Image and Signal Processing Research Center, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan 8174673461, Iran.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
本研究介绍了一种最佳的深度学习模型,使用轮变换来对光学连贯断层扫描 (OCT) 图像中的囊性区域进行细分,从而提高视网膜疾病的诊断准确性.
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:
- 与年龄相关的黄斑退化 (AMD) 和糖尿病黄斑胀 (DME) 等视网膜疾病显著影响视力.
- 光学连贯断层扫描 (OCT) 对于诊断这些疾病至关重要.
- 在OCT图像中视网膜结构的自动细分对于准确的诊断和治疗至关重要.
研究的目的:
- 提出一个最佳的深度学习架构,用于在OCT图像中自动细分囊性区域.
- 评估各种X-let变换 (曲线,DTCWT,轮) 和它们的组合作为网络输入的有效性.
- 确定表现最佳的稀疏基础函数和网络配置,以提高细分精度.
主要方法:
- 开发了一个深度学习架构,利用稀疏的基础函数用于OCT图像分析.
- 采用各种X-let变换,包括curvelet,双树复杂波形变换 (DTCWT) 和 contourlet,以生成多样化的网络输入.
- 测试了X-let子频段的不同组合,并使用Dice系数,灵敏度,Jaccard指数以及对原始和杂数据集的定性评估来评估性能.
主要成果:
- 在测试的X-let变换及其组合中,Contourlet变换表现出最佳的结果.
- 使用轮变换的高通子带的五通道分解实现了最佳的细分性能.
- 拟议的方法超过了最先进的技术,特别是在杂的OCT数据集上.
结论:
- 拟议的深度学习方法与轮变换提供了优越的自动细分的囊性区域在OCT图像.
- 这种方法显示出在临床环境中提高视网膜疾病诊断的准确性和速度的巨大潜力.
- 这些发现突显了稀疏基函数在增强OCT图像分析用于眼科应用中的有效性.
