MCSE-U-Net:用于船舶细分的多重卷积块和挤压和激发块
Lihong Zhang1, Chongxin Xu1, Yuzhuo Li1
1College of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Quantitative imaging in medicine and surgery
|March 28, 2024
概括
该MCSE-U-net模型准确地对视网膜血管进行细分,性能优于现有的方法. 这一进步改善了从 fundus 图像中检测视网膜血管问题的能力.
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:
- 从 fundus 图像中精确细分视网膜血管对于诊断各种视网膜血管疾病至关重要.
- 复杂的血管结构和模糊的临床标准在精确的血管细分方面提出了重大挑战.
研究的目的:
- 为增强视网膜血管细分开发先进的深度学习模型.
- 在医学成像中提高视网膜血管自动细分的准确性和效率.
主要方法:
- 开发了MCSE-U-net模型,将多重卷积 (MC) 和挤压激发 (SE) 块集成到U形网络架构中.
- 采用YCbCr颜色空间转换来提高图像可见性,并使用MC和SE块来增强大视网膜血管和细视网膜血管的细分.
主要成果:
- 在DRIVE数据集上,MCSE-U-net模型实现了高性能,Dice系数为0.8430,灵敏度为0.8752,特异性为0.9902,精度为0.9725,mIoU为0.8473.
- 与原来的U-net相比,显示出显著的改进,子系数增加了3.08%,灵敏度增加了6.22%,特异性增加了0.62%,精度增加了0.61%,mIoU增加了3.01%.
- 该模型在细分外围血管解剖学方面表现出特别高的有效性.
结论:
- 与现有技术相比,MCSE-U-net模型在视网膜血管细分方面提供了卓越的性能.
- 拟议的架构有效地解决了细分复杂的视网膜血管结构的挑战.
