多层预处理和U-Net与剩余注意力块用于视网膜血管细分的视网膜
Ahmed Alsayat1, Mahmoud Elmezain2,3, Saad Alanazi1
1Department of Computer Science, College of Computer and Information Sciences, Jouf University, Sakaka 72341, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|November 14, 2023
概括
这项研究引入了视网膜血管细分的新框架,改善了眼睛疾病的诊断能力. 该方法提高了图像质量,并使用先进的AI来准确识别船舶.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 视网膜血管细分对于诊断眼睛疾病,如玻璃眼和黄斑退行症至关重要.
- 现有的方法面临着图像噪声和数据限制的挑战.
研究的目的:
- 为准确的视网膜血管细分开发和评估一个强大的框架.
- 通过增强的图像分析,改善对各种眼部疾病的诊断支持.
主要方法:
- 一个两阶段的框架,涉及多层预处理和U-Net细分,注意.
- 预处理包括降噪 (CNN与MF,D_U-Net),数据归算和数据增强 (LDM).
- 分段利用一个U-Net与多余的注意力块用于精确的船只识别.
主要成果:
- 该框架实现了高性能指标:子得分 (95.32%),准确性 (93.56%),精度 (95.68%) 和回忆 (95.45%).
- 通过各种噪声级别的PSNR和SSIM值证明了有效的降噪.
- 隐性扩散模型 (LDM) 在数据增强方面表现出强的表现,初始得分为13.6,FID为46.2.2.
结论:
- 拟议的框架显著提高了视网膜血管细分的准确性.
- 多阶段方法有效地解决了预处理的挑战,从而获得可靠的诊断信息.
- 这种方法为临床眼科和研究提供了一个有前途的工具.
