SASAN:用于医疗图像细分的频谱轴空间方法网络

科学领域:

• 眼科医生 眼科 眼科
• 医学图像分析 医学图像分析
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 中央血清性胆色素变异症 (CSC) 和其他眼科疾病显著影响全球视力.
• 准确分离胆膜和黄斑胀对于诊断和治疗至关重要.
• 当前的3D医学图像细分方法在眼科条件下与异质特征,低清晰度和噪声作斗争.

研究的目的:

• 开发一种先进的深度学习方法,以在3D OCT图像中精确细分胆膜和黄斑胀.
• 克服现有方法在处理图像噪声和特征异质性眼科疾病的局限性.

主要方法:

• 提出了频谱分析协同轴空间网络 (SASAN),通过快速里埃转换 (FFT) 集成光谱特征.
• 引入了用于降低噪音的频率集成神经增强器 (FINE) 和用于功能增强的轴空间元件倍数器 (ASEM).
• 开发了自适应多方面损失 (L_SM) 以在图像区域,分布和边界之间进行自适应重量平衡.
• 利用状腺和黄斑胀OCT大数据集 (CMED-18k),这是同类数据集中最大的数据集.

主要成果:

• 与13种基线方法相比,SASAN在CMED和OIMHS数据集上表现出优异的性能.
• 获得了最高的子分数,表明优越的细分精度.
• 获得了最低的HD95,这意味着改善了边界划分和细分精度.

结论:

• 在3D OCT图像中,SASAN有效地解决了细分胆膜和黄斑胀的挑战.
• 拟议的方法在眼科疾病的自动化分析方面取得了重大进展.
• 公共可用的代码有助于进一步的研究和临床应用.