双路径多尺度上下文密集聚合网络用于视网膜血管细分
Wei Zhou1, Weiqi Bai1, Jianhang Ji1
1College of Computer Science, Shenyang Aerospace University, Shenyang, China.
Computers in biology and medicine
|August 10, 2023
概括
这项研究引入了一种新的深度学习框架,用于在 fundus 图像中改善血管细分. 新方法通过处理小样本大小和保存微血管细节来提高准确性,优于现有技术.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 深度学习对血管细分有希望,但在有限的数据,上下文和微血管细节损失方面存在困难.
- 现有的方法往往无法有效地捕捉细血管结构和背景.
研究的目的:
- 为增强血管细分提出双路径深度学习框架.
- 为了应对当前方法中小样本大小,上下文忽视和微血管细节丢失等挑战.
主要方法:
- 一个双路径框架将基底图像划分为多尺度的同心斑块.
- 多尺度上下文密集聚合网络 (MCDAU-Net) 包含式扩展空间金字塔聚合 (CDSPP) 和InceptionConv (IConv) 模块.
- 一个多尺度自适应特征聚合 (MAFA) 模块和一个融合模块结合了多尺度特征以进行细分.
主要成果:
- 在MCDAU-Net框架中,对DRIVE,CHASE-DB1和STARE数据集进行了显著的改进.
- 与最先进的方法相比,在灵敏度 (Se) 中平均增加了7.9%,在F1得分中平均增加了4.7%.
- 成功增强了低对比度血管的细分,并保持了微血管连续性.
结论:
- 拟议的双路径深度学习框架有效地克服了血管细分方面的局限性.
- 新的架构和模块显著提升了视网膜血管细分的最新技术.
- 该方法为医学成像中准确和详细的血管分析提供了强大的解决方案.
