边界修复双通道网络用于OCT视网膜层细分 图像与色素上皮层分离

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:

• 在光学连贯断层扫描 (OCT) 中,视网膜层的自动细分对于诊断眼部疾病至关重要.
• 现有的方法难以处理由色素上皮质脱落 (PED) 引起的结构变化,例如模糊边界和布鲁赫膜 (BM) 消失.
• 由于这些结构异常,在变形的OCT图像中,准确的细分具有挑战性.

研究的目的:

• 开发一种新的双路径U形网络,用于同时对视网膜层进行细分和边界回归.
• 为了应对 OCT 图像细分中的色素上皮质脱落 (PED) 带来的挑战.
• 提高视网膜层自动细分的准确性和稳定性,特别是在结构变形的情况下.

主要方法:

• 提出了一种双路径U形网络,包含特征交互融合 (FIF) 模块,以增强边界形状约束.
• 引入了具有对比损失的层边界修复 (LBR) 模块,以在模糊的边界区域中完善细分.
• 开发了双边值距离图 (BTDM) 和拓校正 (TC) 模块,用于拓保证的细分结果.

主要成果:

• 在OCTA-500数据集上获得了94.26%的平均Dice得分,在现有方法中表现1.5%优于现有方法.
• 在变形数据集上表现出强的表现,平均子得分在DUKE上为91.65%,在Aier-PED上为95.75%.
• 拟议的网络有效地处理PED引起的模糊边界和部分BM消失.

结论:

• 这种新型的双路径U形网络有效地在OCT图像中同时执行层分段和边界回归.
• 拟议的FIF,LBR和BTDM模块显著提高了细分精度,特别是在PED具有挑战性的情况下.
• 这种方法为临床OCT分析中精确的视网膜层细分提供了强大的解决方案,有助于诊断眼部疾病.