MAFE-Net:基于多重注意引导的融合机制和集体学习网络的视网膜血管细分
Yuanyuan Peng1, Yingjie Tang1, Pengpeng Luan1
1School of Electrical and Automation Engineering, East China Jiaotong University, Nanchang 330000, China.
Biomedical optics express
|February 26, 2024
概括
一个新的深度学习模型,MAFE-Net,增强了视网膜血管细分,以改善眼睛疾病诊断. 这种方法有效地解决了对比度差和容器变形等挑战,在公共数据集中实现了高精度.
科学领域:
- 眼科和医学成像学
- 计算机视觉和人工智能的人工智能
背景情况:
- 准确的视网膜血管细分对于诊断和监测眼睛疾病至关重要.
- 现有的方法面临挑战,因为图像工件,如不均的对比度,模糊的形状,和病理变形.
研究的目的:
- 开发一个强大的,准确的深度学习模型,用于视网膜血管的自动细分.
- 通过解决远程依赖问题和增强功能集成来改进传统的基于UNet的模型.
主要方法:
- 提出了一个多重注意力引导的融合和集体学习网络 (MAFE-Net).
- 采用了注意力引导的融合模块来提取各种血管特征.
- 在跳过连接中集成了一个空间注意力模块,以更好地整合功能,以及一个DropOut层,以防止过.
主要成果:
- 在公共数据集上,MAFE-Net实现了高性能:STARE (F1=0.842,Acc=0.975),DRIVE (F1=0.825,Acc=0.969),以及CHASEDB1 (F1=0.814,Acc=0.975).这些数据集在公共数据集上实现了高性能.
- 与八种最先进的方法相比,该模型在视觉和定量上都表现出更高的性能.
结论:
- 拟议的MAFE-Net为视网膜血管细分提供了一个独特而有效的解决方案.
- 该模型的注意力机制和集体学习框架有助于其在识别视网膜血管系统方面的高准确性和概括能力.
