多标签深度学习用于全面的视神经头部细分,通过基底图像的数据
Najdavan A Kako1, Adnan M Abdulazeez2, Diler N Abdulqader3
1Department of Information Technology, Technical College of Duhok, Duhok Polytechnic University, Duhok, Kurdistan Region, Iraq.
Heliyon
|September 23, 2024
概括
这项研究介绍了U-Net模型,用于在视网膜图像中对光盘,杯子和血管进行细分. 计算机辅助检测方法有助于早期诊断眼睛疾病,如青光眼.
科学领域:
- 眼科医生 眼科 眼科
- 计算机视觉 计算机视觉
- 医疗成像医学成像
背景情况:
- 早期诊断和持续监测对于控制眼睛疾病至关重要.
- 计算机辅助检测 (CAD) 技术,特别是语义细分,提供了详细的像素级图像分析.
- 具有转移学习的U-Net架构对于医学图像细分是有效的.
研究的目的:
- 开发和验证U-Net模型用于视网膜图像的多类语义细分.
- 准确地划分光盘,光杯,血管和周围膜缩区域 (α和β).
- 为早期诊断和监测青光眼和视神经疾病做出贡献.
主要方法:
- 利用了三个U-Net模型,用于多类语义细分的转移学习.
- 结合MSU-Net和BU-Net模型,生成光盘和光杯区域的概率图.
- 在HRF数据集 (45张视网膜图像) 上训练了9个预训练模型,包括血管和专家注释的周围膜缩区域.
主要成果:
- 实现了87.7%的像素精度,87%的交叉点在联盟 (IoU) 上,86.9%的F1分数.
- 获得了85%的平均IOU (mIoU),模型损失为15%.
- 成功细分光盘,杯子,血管和周围细胞缩区域 (α和β).
结论:
- 拟议的U-Net模型在细分关键视网膜结构方面表现出高准确性.
- 这种方法有助于早期发现和持续监测眼病.
- 这些发现支持在眼科中使用先进的计算机视觉技术.
