SeqCorr-EUNet:一个序列校正双流网络,用于对前段OCT图像的细分和定量
Jing Fang1, Aoyu Xing1, Ying Chen2
1School of Computer Science and Information Engineering, Hefei University of Technology, Hefei, 230601, Anhui, China.
Computers in biology and medicine
|February 16, 2024
概括
一个新的深度学习模型SeqCorr-EUNet准确地分割前段光学连贯断层扫描 (AS-OCT) 图像. 这提高了眼科疾病的分析和临床参数的量化,即使在低质量的图像中也是如此.
科学领域:
- 眼科成像分析眼科成像分析
- 医疗图像细分 医疗图像细分
- 人工智能在眼科中的应用
背景情况:
- 前段光学连贯断层扫描 (AS-OCT) 图像的准确细分对于分析眼科疾病形态和提取临床参数至关重要.
- 手动细分是劳动密集型,容易出现错误,并受到图像噪音和文物挑战.
- 现有的方法与低质量的AS-OCT图像作斗争,阻碍了精确的临床评估.
研究的目的:
- 引入SeqCorr-EUNet,这是一个新的双流深度学习模型,用于AS-OCT图像的语义细分和量化.
- 增强切片内和切片间特征的提取,以提高细分精度.
- 为了实现临床参数的自动提取,3D重建和前段的体积测量.
主要方法:
- 开发了一种双流架构,其中包含了一个EfficientNet编码器,用于切片内特征提取.
- 采用基于卷积门的循环单元 (ConvGRU) 的序列校正流来进行切片间特征提取.
- 在跳过连接中集成了一个频道注意门,以完善上下文信息并减少噪音.
- 合并的时空信息来纠正分段前的形态细节.
主要成果:
- 在公开的AS-OCT数据集上,SeqCorr-EUNet与现有方法相比表现出了竞争力.
- 该模型显著提高了细分和量化准确性,特别是在低质量的AS-OCT图像中.
- 实现了临床参数的自动提取,3D前腔室重建和体积测量.
结论:
- SeqCorr-EUNet为AS-OCT图像细分和量化提供了一个强大而准确的解决方案.
- 拟议的模型通过改进形态分析和参数提取来提高眼科疾病的诊断能力.
- 这种方法显示了眼科临床应用的巨大潜力,特别是在具有挑战性的成像场景中.
