骨架引导的多尺度双坐标注意力聚合网络用于视网膜血管细分
Wei Zhou1, Xiaorui Wang1, Xuekun Yang1
1College of Computer Science, Shenyang Aerospace University, Shenyang, China.
Computers in biology and medicine
|August 23, 2024
概括
这项研究引入了骨架引导的多尺度双坐标注意力聚合 (SMDAA) 网络,以改善视网膜血管细分. SMDAA网络有效地解决了阶级不平衡和图像质量问题,以改善医疗诊断.
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:
- 深度学习对于视网膜血管细分在医学诊断中至关重要.
- 目前的方法在 fundus 图像中与阶级失衡 (最小的薄血管) 和图像质量差 (模糊边缘) 相斗争.
- 这些局限性导致细分不准确性,例如血管结构的不连续性.
研究的目的:
- 提出一个先进的深度学习网络,即骨架引导的多尺度双坐标注意力聚合 (SMDAA) 网络.
- 为了提高视网膜血管细分的准确性和稳定性.
- 为了克服阶级不平衡和图像质量下降在 fundus 成像中的挑战.
主要方法:
- 拟议的SMDAA网络整合了三个新型模块:双坐标注意力 (DCA),不平衡的像素放大器 (UPA) 和船舶骨架指导 (VSG).
- DCA使用多级坐标特征聚合 (MCFA) 和尺度坐标注意力解码 (SCAD) 在多个尺度上分析船舶结构.
- 通过放大对错误分类的像素的注意力,UPA解决了类不平衡,而VSG使用解剖信息保持了船只的连续性. 还引入了一个特征级对比度 (FCL) 损失.
主要成果:
- 与现有方法相比,SMDAA网络在三个公共数据集 (DRIVE,STARE,CHASE_DB1) 中表现出优异的性能.
- 提出的模块有效地提高了细分精度,特别是在薄血管和连续血管结构方面.
- 该网络在图像质量差和模糊的船舶边缘方面表现出强性.
结论:
- SMDAA网络在视网膜血管细分方面取得了重大进展.
- 它有效地解决了 fundus 图像分析中的关键挑战,从而使医疗诊断更可靠.
- 开发的方法对需要精确血管细分的临床应用具有前景.
