边缘引导的对比适应网络用于使用合成数据进行动脉静脉形分类
IEEE transactions on medical imaging
|November 13, 2023
概括
视网膜动脉静脉切割 (AVN) 与中风风险有关. 这项研究引入了一种使用数据合成和域调整的新方法,以准确分类微妙的AVN变化,提高诊断潜力.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 心血管疾病研究研究
背景情况:
- 视网膜动脉静脉切割 (AVN) 表明系统性疾病,特别是心血管问题,并与中风风险增加有关.
- 目前的AVN分类受到有限的数据和区分微妙的静脉变化和正常变化的挑战所阻碍.
研究的目的:
- 开发一种先进的方法来准确地分类视网膜动脉静脉裂 (AVN).
- 为了解决数据稀缺性和挑战AVN检测的微妙差异.
主要方法:
- 使用数据合成技术生成多种动脉静脉 (AV) 交叉图像,包括正常和AVN示例.
- 一个边缘引导的不受监督的域调整网络被设计来弥合合成和现实世界的数据之间的差距.
- 引入了一个语义对比学习分支 (SCLB),以关注微妙的静脉宽度差异,并使用语义三胞胎进行训练.
主要成果:
- 拟议的方法有效地缓解了数据缺乏和合成数据集和真实数据集之间的域转移问题.
- 语义对比学习方法成功地解决了AVN的显著类内变化和微小的类间差异.
- 实验结果表明,开发的方法在AVN分类中表现出色.
结论:
- 这种新的方法通过克服关键数据和分类挑战,提高了视网膜动脉静脉裂 (AVN) 检测的准确性.
- 这种方法有可能通过视网膜成像分析来改善心血管风险的早期识别.
