空间注意力U-Net模型与哈里斯霍克斯对视网膜血管和视盘细分的优化在 fundus 图像中的光盘细分
Puranam Revanth Kumar1, B Shilpa2, Rajesh Kumar Jha3
1Department of Artificial Intelligence and Machine Learning, School of Engineering, Malla Reddy University, Hyderabad, India. revanth123451.rk@gmail.com.
International ophthalmology
|August 29, 2024
概括
这项研究介绍了空间注意力U-Net与哈里斯霍克斯优化 (SAU-Net-HHO) 进行增强的视网膜血管细分. 该模型准确地识别了细血管,改善了眼科疾病的诊断.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 准确的视网膜血管细分对于诊断眼睛疾病至关重要,并且由于复杂的血管结构而具有挑战性.
- 现有的方法难以对细小血管进行细分,需要进一步研究.
研究的目的:
- 引入一种新的,轻量级的深度学习模型,空间注意力U-Net与哈里斯霍克斯优化 (SAU-Net-HHO),用于精确的视网膜血管细分.
- 通过数据增强来提高注释样本的效率,而不需要对视网膜血管和光盘细分进行广泛的训练数据集.
主要方法:
- SAU-Net-HHO模型使用空间推断的注意力图来进行适应性特征增强.
- 结构化的脱落块取代了传统的U-Net卷积块,以减轻过度拟合.
- 使用来自DRIVE和STARE数据集的数据来评估性能.
主要成果:
- SAU-Net-HHO实现了高精度 (98.5%在DRIVE上,97.8%在STARE上) 和特异性 (96.7%在DRIVE上,94.5%在STARE上).
- 该模型的性能与最先进的方法相美.
- 数字结果表明了拟议方法的有效性.
结论:
- 与以前的技术相比,SAU-Net-HHO方法在细分薄和小视网膜血管方面表现出更高的准确性.
- 该模型显示了眼科医学的实际临床应用的巨大潜力.


