CS-UNet:跨度U-Net与语义位置依赖性用于视网膜血管细分的跨度U-Net
Ying Yang1, Shengbin Yue1,2, Haiyan Quan1
1College of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, Yunnan, China.
Network (Bristol, England)
|December 5, 2023
概括
一个新的跨度U-Net (CS-UNet) 通过整合语义和位置信息来改善视网膜血管细分. 这种方法通过准确地绘制复杂的视网膜血管结构,提高了对眼睛疾病的早期检测.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 眼科医生 眼科 眼科
背景情况:
- 准确的视网膜血管细分对于诊断和治疗眼睛疾病至关重要.
- 像U-Net这样的现有方法难以处理复杂的视网膜图像,其中包括小血管,低对比度和病变.
- 全球建模中的局限性影响了纯卷积网络的性能.
研究的目的:
- 引入一个新的深度学习模型,Cross-scale U-Net with Semantic-position Dependencies (CS-UNet),用于增强视网膜血管细分.
- 解决传统U-Net在捕获全球背景和跨规模信息方面的局限性.
主要方法:
- 开发了一个语义位置依赖聚合器 (SPDA),以整合全球背景的语义和位置关系.
- 引入了一个跨度关系精炼模块 (CSRR),以促进动态的跨度信息交互.
- 在编码器层和CSRR中嵌入了SPDA,以指导升级采样过程.
主要成果:
- 与现有的最先进的方法相比,CS-UNet在视网膜血管细分方面表现优异.
- 在三个公共数据集上进行评估:DRIVE,CHASE_DB1和STARE,证实了强大的性能.
- 拟议的模块有效地提高了该模型处理复杂的船舶结构和低对比度区域的能力.
结论:
- CS-UNet在视网膜血管细分精度方面取得了显著的进步.
- 语义位置依赖和跨尺度交互模块的整合提高了模型的有效性.
- 这种方法有望改善与视网膜相关疾病的早期诊断和管理.
