多任务细分和分类网络用于视网膜底部的动脉/静脉分类
1Department of Computer Science and Technology, Beijing University of Civil Engineering and Architecture, Beijing 100044, China.
Entropy (Basel, Switzerland)
|August 26, 2023
概括
这项研究介绍了MSC-Net,这是一个新的深度学习模型,用于在视网膜图像中自动分类动脉和静脉. 通过提取和整合多个尺度的血管特征,MSC-Net提高了准确性,有助于疾病诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 在 fundus 图像中精确的动脉和静脉 (A / V) 自动分类对于检测血管异常和诊断全身疾病至关重要.
- 在A / V分类中的挑战包括血管结构的变化和动脉和静脉之间的微妙区别.
研究的目的:
- 提出一个新的多任务分段和分类网络 (MSC-Net),以提高 A/V 分类在 fundus 图像中的准确性.
- 通过使用提取的船舶特征来解决当前A/V分类方法的局限性.
主要方法:
- 开发了MSC-Net,包含三个关键模块:多尺度船舶提取 (MVE),多结构A/V提取 (MAE) 和多源功能集成 (MFI).
- MVE模块使用语义信息识别船舶像素.
- MAE模块通过将原始图像与MVE提取的特征相结合来对A/V进行分类.
- 货币金融机构模块集成了MVE和MAE的输出,用于最终的A/V分类.
主要成果:
- 在视网膜A/V分类中,MSC-Net表现出高性能.
- 拟议的方法在多个公共数据集上胜过了最先进的方法.
- 经验实验验证了MSC-Net在提高A/V分类准确性的有效性.
结论:
- MSC-Net有效地提高了 fundus 图像中的自动动脉和静脉分类.
- 新的网络架构解决了A/V分类中的现有挑战.
- 在诊断血管相关疾病方面,MSC-Net显示出临床应用的巨大潜力.
