在OCT图像中使用UNET++和基于特征的超反射焦点袋状树组合的自动排泄物和动脉瘤细分
Rinrada Tanthanathewin1, Warissaporn Wongrattanapipat1, Tin Tin Khaing1
1School of Information, Computer and Communication Technology, Sirindhorn International Institute of Technology, Thammasat University, Meung, Patumthani, Thailand.
PloS one
|May 24, 2024
概括
这项研究引入了一种高效的算法,用于在光学连贯性断层扫描 (OCT) 图像中自动细分排泄物和动脉瘤,改善糖尿病视网膜病变 (DR) 诊断. 该方法实现了高精度,性能优于现有技术.
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:
- 糖尿病视网膜病变 (DR) 的症状如排泄物 (EXs) 和动脉瘤 (ANs) 起源于视网膜表面下,可以通过光学连贯断层扫描 (OCT) 检测到.
- 早期检测EXs和ANs有助于及时诊断DR,但由于尺寸小,图像噪声和对比度低,在OCT图像中对其进行细分是具有挑战性的.
- 有限的公共数据集和现有的自动细分方法的不满意性能阻碍了DR检测的进展.
研究的目的:
- 提出一种高效的算法,用于在OCT图像中自动细分排泄物 (EX) 和动脉瘤 (AN).
- 提高检测糖尿病视网膜病变 (DR) 早期症状的准确性和可靠性.
主要方法:
- 使用深度学习的U-Net++模型来确定EXs和ANs的潜在领域.
- 适应性值细分候选EX-AN区域,然后进行特征提取 (外观,位置,影子标记).
- 包装树组合分类器使用这些特征进行训练,以改进细分和隔离EX-AN斑块.
主要成果:
- 拟议的算法在80张OCT图像的公共数据集上实现了平均回忆率87.9%,精度86.1%,F1测量率87.0%.
- F1措施明显超过了比较方法:二元值和分水 (BT-WS) 78.0%和适应值与影子跟踪 (AT-ST) 82.1%.
结论:
- 开发的算法为在OCT图像中对EX和AN进行细分提供了高效和准确的解决方案.
- 这种方法具有显著的潜力,可以改善自动化糖尿病视网膜病变查和诊断.
