损失修改的基于变压器的U-Net用于精确细分流体在光学一致性断层扫描视网膜疾病的图像
Reza Darooei1,2, Milad Nazari3,4, Rahle Kafieh1,5
1Medical Image and Signal Processing Research Center, School of Advanced Technologies in Medicine, Isfahan University of Medical Sciences, Isfahan, Iran.
Journal of medical signals and sensors
|October 9, 2023
概括
这项研究引入了一种新的深度学习方法,用于光学连贯性断层扫描 (OCT) 图像中的自动化流体细分. 该技术在识别视网膜液中实现了高精度,改善了对糖尿病黄斑等疾病的诊断.
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:
- 光学连贯断层扫描 (OCT) 对于诊断视网膜疾病至关重要,如与年龄相关的黄斑变性和糖尿病黄斑.
- 在OCT图像中精确的液体细分对于评估疾病严重程度至关重要.
- 手动细分是耗时且容易出现错误的.
研究的目的:
- 开发一种用于OCT图像中的流体细分的新型自动化深度学习方法.
- 提高诊断视网膜疾病的准确性和效率.
主要方法:
- 利用U-Net深度学习架构,在编码器路径中使用变压器来增强功能提取.
- 开发了一个自定义的损失函数,结合了子损失,焦点Tversky损失和加权的二进制交叉来处理不平衡和杂的数据.
主要成果:
- 在流体细分精度方面获得了95.52的高子系数.
- 经过显著的图像噪声添加后,即使有92.79的子系数,也证明了强度.
结论:
- 拟议的深度学习框架在视网膜OCT图像中提供准确和快速的自动化流体细分.
- 这种方法可以帮助临床医生更快地诊断和治疗黄斑.
