GlanceSeg:实时微动脉瘤病变细分与凝视图引导的基础模型,用于早期检测糖尿病视网膜病变

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:

• 早期糖尿病视网膜病变 (DR) 诊断是具有挑战性的,因为微妙的微动脉瘤 (MAs).
• 像细分任何模型 (SAM) 这样的基础模型在医学成像中具有尚未开发的潜力.
• 精确细分微小病变对于及时检测DR至关重要.

研究的目的:

• 引入GlanceSeg,这是一个人类在循环中的,用于早期DR诊断的无标签框架,使用SAM.
• 为了使MA病变的实时细分在 fundus图像的临床审查期间.
• 为了利用眼科医生的目光和领域知识来准确识别病变.

主要方法:

• 整合眼科医生眼神地图以定位病变.
• 生成突出地图以指导SAM进行MA细分.
• 使用域知识过 (DKF) 模块来完善细分.
• 使用分段任何模型 (SAM) 采用循环中的人类方法.

主要成果:

• 在IDRiD和视网膜损伤数据集上,GlanceSeg展示了可行性和优势.
• 该框架可以实时对小病变进行细分.
• GlanceSeg为临床医生提高了注释效率.
• 微调增强了细分性能.微调提高了细分性能.

结论:

• GlanceSeg提供了一个有希望的,临床医生友好的工具,用于早期糖尿病视网膜病变的诊断.
• 人在循环框架有效地实时分割微小的微动脉瘤.
• 这种方法突显了基础模型在医学诊断中的潜力.