FNeXter:一个基于ConvNeXt和转换器的多尺度特征融合网络,用于视网膜OCT流体细分.
Zhiyuan Niu1, Zhuo Deng1, Weihao Gao1
1Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen 518055, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
在光学一致性断层扫描 (OCT) 图像中精确细分视网膜液对于诊断眼睛疾病至关重要. 一个新的FNeXter网络通过有效地捕捉多个尺度的特征和损伤区域,改善了OCT流体细分.
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:
- 在光学一致性断层扫描 (OCT) 图像中精确细分视网膜液对于诊断和治疗与年龄相关的黄斑变性等眼科疾病至关重要.
- 分段化的挑战包括流体大小,形状,位置和复杂边界的变化.
研究的目的:
- 提出一个新的多尺度特征聚变注意网络 (FNeXter),以改进OCT流体细分.
- 增强模型捕捉远程依赖和局部特征的能力,具有区域意识的能力.
主要方法:
- 开发了FNeXter,这是一个集成ConvNeXt,Transformer和区域意识空间注意力的网络,在全球多级混合编码器中.
- 引入了一个自适应的多尺度功能融合注意模块,以增强编码器-解码器跳过连接.
主要成果:
- 在OCT流体细分任务中,FNeXter模型表现出卓越的性能.
- 综合实验证实了与最先进的方法相比,拟议方法的有效性.
结论:
- FNeXter网络有效地解决了OCT图像中视网膜液细分的挑战.
- 拟议的架构增强了全球特征和多尺度上下文信息的学习,从而提高了诊断能力.


