一个高分辨率网络,带注意力用于视网膜血管细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 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底部图像分析至关重要.
• 深度学习方法,特别是U-Net变体,显示出希望,但由于空间细节损失和不充分的特征融合,与微小/低对比度容器作斗争.

研究的目的:

• 提出一种新的高分辨率网络,用于增强视网膜血管细分.
• 解决现有方法在检测细微血管结构方面的局限性.

主要方法:

• 使用HRNet形状的架构,在整个培训过程中保持高分辨率表示.
• 开发了一个带注意模块,具有横向和垂直的注意机制,以捕捉远程依赖.
• 集成带注意力为动态的,多层的特征融合.

主要成果:

• 实现了高精度 (96.16%在Drive上,97.08%在STARE上) 和灵敏度 (82.68%在Drive上,89.36%在STARE上).
• 与主流方法相比,证明了微小和低对比度容器的优越提取.

结论:

• 拟议的带注意的高分辨率网络有效地改善了视网膜血管细分.
• 这种方法显示出有助于临床分析 fundus 图像的潜力.