基于多阶段双通道深度学习网络的高精度视网膜血管细分
Hui Guo1, Jing Meng1, Yongfu Zhao1
1School of Computer, Qufu Normal University, 276826 Rizhao, People's Republic of China.
Physics in medicine and biology
|January 10, 2024
概括
这项研究引入了一个深度学习框架 (MSDC_NET),用于在 fundus 图像中增强视网膜微血管细分,通过更好地检测低对比度血管来改善眼睛疾病的早期诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 在眼底图像中对视网膜血管的准确细分对于诊断眼科疾病至关重要.
- 提取微容器是具有挑战性的,因为低对比度和复杂的结构.
- 现有的方法难以处理具有低对比度的薄血管.
研究的目的:
- 开发一个深度学习框架,以改善 fundus 图像中的薄血管细分,特别是那些具有低对比度的图像.
- 提高微血管的检测,以便更早,更准确地诊断眼科疾病.
主要方法:
- 开发了一个新的多阶段,双通道网络 (MSDC_NET).
- 采用了自适应的图像增强策略,以增加薄血管的对比度.
- 多尺度感知和后处理操作被用于全面的细分.
主要成果:
- 在三个数据集 (DRIVE,STARE,CHASE_DB1) 中,MSDC_NET在从 fundus 图像中提取薄血管方面表现出卓越的性能.
- 定量评估证实了该模型对现有方法的优势.
- 与以前的多行业方法相比,观察到显著的特异性和F1得分的改善.
结论:
- 拟议的MSDC_NET有效地改善了 fundus 图像中的薄血管细分,特别是在低对比度的情况下.
- 这一进步为眼科医生在诊断和治疗血管相关的眼病方面提供了更丰富的信息.
