CSANet:一个轻量级的通道和空间注意力神经网络,用于分级糖尿病视网膜病变与光学连贯性断层扫描血管造影
Fei Ma1, Xiao Liu1, Shengbo Wang1
1School of Computer Science, Qufu Normal University, Rizhao, China.
Quantitative imaging in medicine and surgery
|February 28, 2024
概括
一个新的深度学习模型,CSANet,通过关注OCTA图像中的小病变,准确地对糖尿病视网膜病变 (DR) 进行分级. 这种先进的框架通过使用注意力机制显著提高了DR分类的准确性.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 糖尿病视网膜病变 (DR) 是影响视力的普遍并发症.
- 精确的DR分级至关重要,但由于OCTA图像中的小病变和有限的数据,这具有挑战性.
- 卷积神经网络 (CNN) 显示出希望,但与微妙的特征作斗争.
研究的目的:
- 开发一种新的深度学习框架,用于细粒度糖尿病视网膜病变的分类.
- 为了应对小病变检测的挑战,并在DR分级中具有特征相关性.
- 提高自动化DR评估的准确性和稳定性.
主要方法:
- 开发了一个轻量级的频道和空间注意网络 (CSANet) 用于DR分类.
- 整合了一个混合注意力模块 (HAM) 与空间和通道注意力机制.
- 空间注意力针对小病变,而道注意力则关注相关特征.
主要成果:
- 在OCTA-DR和DRAC 2022数据集上,CSANet实现了最先进的性能.
- 在OCTA-DR数据集上达到97.41%的准确性,在DRAC 2022数据集上达到85.71%.
- 有效地减少了不同DR严重程度之间的混.
结论:
- 拟议的CSANet模型成功地缓解了DR分级中小病变检测和特征选择方面的问题.
- 基于注意力的框架显著提高了糖尿病视网膜病变分类的准确性.
- 在临床实践中,CSANet在自动化DR评估方面表现出高效.
