LMBiS-Net:一种基于多路CNN的轻量级双向跳过连接,用于视网膜血管细分
Mufassir Matloob Abbasi1, Shahzaib Iqbal2, Khursheed Aurangzeb3
1Department of Electrical Engineering, Abasyn University Islamabad Campus (AUIC), Islamabad, 44000, Pakistan.
Scientific reports
|July 2, 2024
概括
一个新的轻量级深度学习模型,LMBiS-Net,在 fundus 图像中准确地对视网膜血管进行细分. 这个网络在数据集中显示出高准确性和概括性,为诊断致盲眼病提供了一个有前途的工具.
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:
- 失明的眼睛疾病与视网膜结构变化有关,可以在 fundus 图像中检测到.
- 视网膜血管的精确细分对于诊断至关重要,但对现有方法具有挑战性.
- 由于特定的操作限制,深度学习模型可能会与船边等细节作斗争.
研究的目的:
- 引入LMBiS-Net,一种新的轻型卷积神经网络,用于增强视网膜血管细分.
- 设计一个超越现有深度学习方法在捕获船舶边缘细节方面的局限性的网络.
- 开发一种高效准确的模型,用于分析视网膜血管在 fundus 图像.
主要方法:
- 开发了LMBiS-Net,这是一种轻量级的卷积神经网络,具有多路径特征提取和双向跳过连接.
- 通过仔细选择波器来优化模型效率,以减少训练时间和提高计算性能.
- 对四个公共数据集进行了全面评估:DRIVE,STARE,CHASE_DB1和HRF.
主要成果:
- 在所有测试的数据集中,LMBiS-Net实现了高细分性能.
- 关键指标包括灵敏度 (高达86.05%),特异性 (高达98.96%),精度 (高达97.75%),AUC (高达98.82%) 和F1得分 (高达84.44%).
- 该模型在未见过的数据上展示了稳定性和通用性,参数显著减少 (0.172万).
结论:
- LMBiS-Net提供了非常精确的视网膜血管细分,效率显著.
- 该网络的稳定性和通用性使其适用于各种临床应用.
- LMBiS-Net在用于疾病检测的视网膜底图像的自动分析方面取得了重大进展.
