基于RSP-SA Unet网络的视网膜血管细分方法
相关实验视频
Updated: Jul 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
435
Kun Sun1,2, Yang Chen1,2, Fuxuan Dong1,2
1The Higher Educational Key Laboratory for Measuring & Control Technology and Instrumentation of Heilongjiang Province, Harbin University of Science and Technology, Harbin, China.
Medical & biological engineering & computing
|November 14, 2023
概括
一个新的深度学习模型,Residual SimAM Pyramid-Spatial Attention Unet (RSP-SA Unet),通过改进特征提取和边缘细节保存以进行 fundus 图像分析,有效地分割视网膜血管.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
背景情况:
- 视网膜血管细分对于诊断底部疾病至关重要.
- 现有的方法难以提取细粒度的容器特征并保存边缘细节.
研究的目的:
- 引入一种基于Unet的新型模型,RSP-SA Unet,以解决视网膜血管细分的局限性.
- 为了提高精细的船舶特征的提取和船舶边缘检测的准确性.
主要方法:
- 拟议的RSP-SA Unet在编码/解码层中结合了剩余SimAM金字塔空间注意力 (RSP) 结构,用于多级特征提取.
- 空间注意力 (SA) 集成到上采样层中,以改善低对比度,小血管的细分.
- 该模型在CHASE_DB1,DRIVE和STARE数据集上进行了评估.
主要成果:
- 在测试的数据集上,RSP-SA Unet实现了0.9763,0.9704和0.9724的高细分精度 (ACC).
- 该模型表现出强的性能,ROC曲线下的面积 (AUC) 达到0.9896,0.9858和0.9906.
- 总体表现超过了现有的比较方法.
结论:
- 与以前的方法相比,RSP-SA Unet模型显著改善了视网膜血管细分.
- 增强的特征提取和注意力机制有助于在识别细血管及其边缘方面获得更高的准确性.
- 这种模型对改善 fundus 相关疾病的自动诊断非常有希望.
