和距离引导的超级自组装用于光盘和杯子细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 眼科医生 眼科 眼科

背景情况:

• 对光盘 (OD) 和光杯 (OC) 进行准确的细分对于监测老年人绿眼病进展至关重要.
• 卷积神经网络 (CNN) 广泛用于OD和OC细分,但域移动问题限制了不同数据集的准确性.
• 无监督域调整 (UDA) 是解决医疗图像细分中的域转移问题的一个关键方法.

研究的目的:

• 提出一种新的无监督域适应方法,即和距离引导超级自组装 (EDSS),以提高OD和OC细分的准确性.
• 增强UDA背景下细分模型的稳定性和区分能力.
• 通过使用多信息融合,有效指导领域适应过程.

主要方法:

• 开发了一个超级自组合 (SSE) 框架,将两个自组合模型结合起来,以学习更具歧视性的图像特征.
• 引入高斯式噪声指数移动平均 (G-EMA) 来提高自组装框架的稳定性.
• 实施了多信息融合战略 (MFS) 以指导和加强UDA过程.

主要成果:

• 与最先进的UDA细分技术相比,提出的EDSS方法取得了更高的性能.
• 在RIGA+数据集子数据集上获得0.8442,0.8772和0.9006的子分数.
• 在REFUGE数据集上获得0.9154的子得分.

结论:

• EDSS有效地解决了OD和OC细分中的域位移问题.
• 拟议的方法显示了对格洛科马检测的细分精度的显著改进.
• 在眼科中,EDSS具有很强的临床应用潜力,用于早期青光眼的诊断和监测.