C2FTFNet:用于联合光盘和杯子细分的粗细变压器网络
Yugen Yi1, Yan Jiang2, Bin Zhou2
1School of Software, Jiangxi Normal University, Nanchang, 330022, China; Jiangxi Provincial Engineering Research Center of Blockchain Data Security and Governance, Nanchang, 330022, China.
Computers in biology and medicine
|July 23, 2023
概括
一个新的深度学习模型,粗细变压器网络 (C2FTFNet),准确地对光盘和光杯区域进行细分,用于眼查. 这种方法有助于提前检测青光眼,这是导致失明的主要原因.
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:
- 青光眼是全球失明的主要原因,需要通过杯对盘比 (CDR) 评估等方法进行早期检测.
- 深度学习在计算机辅助诊断 (CAD) 系统的光盘 (OD) 和光杯 (OC) 细分方面表现出色.
- 临床数据的复杂性可能会限制目前用于眼查的深度学习技术.
研究的目的:
- 引入一种新的粗至细变压器网络 (C2FTFNet),用于精确地对OD和OC进行联合细分.
- 通过提高OD和OC细分的准确性来增强青光瘤查.
- 在处理复杂的临床数据时,解决现有的深度学习模型的局限性.
主要方法:
- 一个两阶段的C2FTFNet:粗阶段使用U-Net和循环转换 (CHT) 进行兴趣区域 (ROI) 分段,精细阶段使用TransUnet3+进行准确的OC和OD提取.
- 整合了一个变压器模块来捕获远程依赖和全球信息,克服卷积限制.
- 一个多级密度跳过连接 (MSDC) 模块,有效地融合多层次的功能,减少语义差距.
主要成果:
- 与最先进的方法相比,C2FTFNet在OD和OC细分方面表现出卓越的表现.
- 在DRIONS-DB,Drishti-GS和REFUGE数据集上的实验验验证了该模型的有效性.
- 拟议的架构成功地分割了用于格洛科马评估的关键眼部结构.
结论:
- 通过精确的OD和OC细分,C2FTFNet提供了一种强大而有效的方法来选青光瘤.
- 该模型处理复杂临床数据的能力意味着自动眼科诊断的重大进步.
- 这种深度学习框架有望改善早期检测和预防因眼结核而导致的视力丧失.
