视网膜血管细分通过变压器-U-Net混合模型与双路径解码器

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 准确的视网膜血管细分对于诊断眼睛疾病至关重要.
• 目前的方法通常需要广泛的像素智能注释,增加劳动力成本.
• 开发高效的细分框架,减少注释负担至关重要.

研究的目的:

• 引入TSNet,为视网膜血管细分提供有效和高效的框架.
• 为了实现一个半监督的学习方案,使用粗略的骨架注释.
• 通过多任务输出来改善特征学习的平衡.

主要方法:

• 设计了一个变压器-CNN混合模型,将变压器模块集成到U-Net架构中,用于远程交互捕获.
• 在U-Net中实现了双路径解码器,用于多任务输出,包括辅助船只骨架预测.
• 开发了一个半监督学习计划的骨架,使用平均教师模型进行伪注释生成和校正.

主要成果:

• 在五个基准数据集中,TSNet在视网膜血管细分方面取得了最先进的表现.
• 该框架在完全监督的环境中表现出有效性.
• 拟议的半监督方案显著减少了注释工作,同时保持了高性能.

结论:

• TSNet为视网膜血管细分提供了强大而高效的解决方案.
• 新的注释过程和半监督学习方案降低了实际应用的障碍.
• 这种方法通过改进的医学图像分析,促进了更容易获得和更有效的眼病诊断.