CCS-UNet:一个跨道空间注意力模型,用于准确的视网膜血管细分
Yong-Fei Zhu1, Xiang Xu1, Xue-Dian Zhang1
1Shanghai Key Laboratory of Contemporary Optics System, College of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Biomedical optics express
|October 4, 2023
概括
一种新的深度学习模型,跨道空间注意力U-Net (CCS-UNet),提高了视网膜血管细分的准确性. 该方法通过在医学图像中更好地识别血管结构,改善了视网膜疾病的诊断辅助.
科学领域:
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的视网膜血管细分对于诊断眼睛疾病至关重要.
- 现有的深度学习模型在视网膜图像中的尺度变化和复杂背景方面扎.
研究的目的:
- 引入一个跨道空间注意力U-Net (CCS-UNet) 以改善视网膜血管细分.
- 为了解决当前细分模型中规模变化和背景复杂性的局限性.
主要方法:
- 开发了CCS-UNet,其中包含了一个ResNeSt块,用于多种特征提取.
- 实现了跨道信息聚合的软注意力和跳过连接的注意力机制,以增强功能集成.
- 使用特征融合模块 (FFM) 进行精细的细分地图.
主要成果:
- 在五个基准数据集 (DRIVE,CHASEDB1,STARE,IOSTAR,HRF) 上,CCS-UNet实现了卓越的细分性能.
- 实现了高的全球准确性 (例如,0.9617在驱动器上) 和AUC (例如,0.9863在驱动器上).
- 废弃研究证实了个别建筑组件的有效性.
结论:
- 拟议的CCS-UNet显示了对准确的视网膜血管细分的巨大潜力.
- 这种模型可以作为一个有价值的工具,用于计算机辅助的视网膜疾病的诊断.
