TLTNet:一种新的跨度级级联层次变压器网络,用于增强视网膜血管细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 生物医学工程 生物医学工程

背景情况:

• 视网膜血管细分对于诊断眼睛疾病至关重要.
• 现有的方法与图像噪声,模糊边缘和功能损失作斗争.

研究的目的:

• 通过改善特征提取来增强视网膜血管细分.
• 解决细分医疗图像与噪音和低级别特征损失的挑战.

主要方法:

• 一个新的跨度级级联层级变压器网络,具有编码器-解码器架构.
• 集成局部-全球跨度变压器,多头层跨度自适应嵌入和局部上下文模块.
• 开发了一种改进的交叉损失函数,用于准确的细分.

主要成果:

• 拟议的网络在DRIVE数据集上实现了97.26%的高细分精度,在STARE数据集上达到97.87%.
• 在视网膜血管细分方面,与最先进的网络相比,具有显著的竞争优势.
• 成功地提取了本地和全球特征信息,克服了图像质量限制.

结论:

• 跨度级级联层次变压器网络为视网膜血管细分提供了优越的方法.
• 该方法有效地应对医疗图像中的噪音和模糊边缘等挑战.
• 这一进步有望改善视网膜疾病的诊断和监测.