视网膜-TransNet:一个梯度引导的几拍视网膜血管细分网
IEEE journal of biomedical and health informatics
|July 25, 2023
概括
这项研究提出了一种用于视网膜血管细分的新型图像对图像翻译网络. 该方法在有限的数据中实现了强大的跨领域通用性,解决了医生在医学成像中的劳动力成本.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 医生的高劳动力成本限制了手动标记的医疗图像数据集,用于开发计算机辅助诊断 (CADx) 和细分算法.
- 开发用于医学成像的有效细分算法,如视网膜血管细分,对于疾病诊断和监测至关重要.
研究的目的:
- 使用有限的训练数据开发具有强大的跨域概括性的视网膜血管细分网络.
- 通过将细分重新定义为图像对图像 (I2I) 翻译问题来应对缺乏标记医疗图像的挑战.
主要方法:
- 为视网膜血管细分提出了一个图像对图像 (I2I) 翻译框架.
- 引入了具有跳过连接的双阶段Unet (2Unet) 发电机,其中第二阶段充当了改进模块.
- 整合了梯度向量流 (GVF) 损失约束,以提高细分的准确性和通用性.
主要成果:
- 拟议的I2I基于翻译器的细分子网络与现有方法相比,显示出优越的跨领域通用性.
- 该模型在单个数据集 (DRIVE) 上训练时,在不同的数据集 (CHASE-DB1,STARE,HRF,DIARETDB1) 上取得了稳定的细分结果.
- 即使在低射门学习场景中也保持了有效的表现,这表明了数据效率.
结论:
- 重塑视网膜血管细分作为图像到图像翻译问题是改善跨领域通用性的有效策略.
- 拟议的2Unet发电机具有GVF损失,可以在有限的训练数据下进行强大的细分,为医学图像分析提供了有价值的工具.
- 这种方法减轻了大量手工标签的需要,减少了医生在CADx系统开发中的劳动力成本.


