语义不确定性导向交叉变压器用于在OCT图像中增强斑点的细分
Hui Liu1, Wenteng Gao2, Lei Yang2
1Department of Precision Machinery and Instruments, University of Science and Technology of China, Hefei, Anhui, 230026, PR China; School of Biomedical Engineering, Division of Life and Medicine, University of Science and Technology of China, Hefei, Anhui, 230026, PR China; Suzhou Institute for Advanced Research, University of Science and Technology of China, Suzhou, Jiangsu, 215123, PR China.
Computers in biology and medicine
|April 17, 2024
概括
一个新的深度学习模型,SuGCTNet,准确地细分黄斑,包括内视网膜液,子视网膜液和色素上皮脱落. 这有助于早期检测和诊断危及视力的视网膜疾病.
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:
- 黄斑是视网膜疾病中视力丧失的常见原因.
- 精确细分黄斑是及时诊断和治疗的关键.
- 目前的深度学习方法与低对比度,噪音图像和差异化损伤类型 (IRF,SRF,PED) 斗争.
研究的目的:
- 开发一种新的深度学习方法,同时对多类黄斑瘤进行细分.
- 解决细分模两可的界限和区分不同类型的损伤的挑战.
主要方法:
- 引入了以语义不确定性为导向的交叉变压器网络 (SuGCTNet).
- 使用语义不确定性引导注意模块 (SuGAM) 专注于模两可的区域.
- 采用交叉变压器模块 (CTM) 来增强功能连续性和减少混.
主要成果:
- SuGCTNet在细分多类黄斑瘤方面表现出卓越的表现.
- 该方法有效地处理了低对比度和噪音较大的OCT图像.
- 在内视网膜液,下视网膜液和色素上皮质分离物之间实现了更好的分化.
结论:
- SuGCTNet在斑点水细分的准确性和可重现性方面取得了重大进展.
- 该模型显示了在早期疾病检测和诊断中临床应用的潜力.
- 这种方法可以帮助管理与黄斑结相关的视网膜疾病.
