DEAF-Net:用于视网膜血管细分的细节增强注意力特征融合网络
Pengfei Cai1, Biyuan Li2,3, Gaowei Sun1
1School of Electronic Engineering, Tianjin University of Technology and Education, Tianjin, 300222, China.
Journal of imaging informatics in medicine
|August 5, 2024
概括
一个新的DEAF-Net通过增强细节和融合多维特征来改善视网膜血管细分. 这种方法可以准确地识别细血管,这对于诊断眼睛和心脏病至关重要.
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科和心血管疾病至关重要.
- 挑战包括密集的,不规则的容器,低对比度,以及编码器-解码器网络中的特征损失.
- 现有的注意力机制忽视了多维特征的重要性.
研究的目的:
- 提出一个新的细节增强注意力特征融合网络 (DEAF-Net),以改善视网膜血管细分.
- 解决现有方法在保存细节和整合多维特征方面的局限性.
- 为了提高细分精细的视网膜血管系统的准确性.
主要方法:
- 开发了一种细节增强的残留块 (DERB),以保持复杂的船舶特征.
- 引入了一种多维协作注意编码器 (MCAE) 以优化信息提取.
- 使用动态解码器 (DYD) 来最大限度地减少在上采样过程中的信息损失.
- 将这些模块集成到一个用于多尺度特征融合的DEFF模块中.
主要成果:
- 在DRIVE,CHASEDB1和STARE数据集上,DEAF-Net实现了高性能.
- 灵敏度得分高达0.8784,AUC得分高达0.9913. 这是一个非常好的例子.
- 与现有方法相比,证明了视网膜细血管的优越细分.
结论:
- DEAF-Net有效地克服了当前视网膜血管分割技术的局限性.
- 拟议的网络增强了细节保护和多维特征集成.
- 在诊断眼睛和心血管疾病方面,DEAF-Net显示出临床应用的巨大潜力.
