多分辨率级联注意力U-Net用于光盘的定位和细分以及 fundus图像中的 fovea
1Department of Electronics and Communication Engineering, National Institute of Technology, 620015, Tiruchirappalli, Tamilnadu, India. rshalini080@gmail.com.
Scientific reports
|October 4, 2024
概括
一个新的多分辨率级联注意力U-Net (MCAU-Net) 模型准确地识别了视网膜特征,如光盘 (OD) 和 fundus 图像中的 fovea. 这种深度学习方法通过提高细分和定位精度来改善视网膜疾病的自动查.
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:
- 视网膜疾病的自动查依赖于光盘 (OD) 和视的准确定位和细分.
- 挑战包括不规则的解剖特征,有限的数据和跨数据集的域移动.
研究的目的:
- 为改进OD和fovea本地化和细分提出一个新的多解析级联注意力U-Net (MCAU-Net) 模型.
- 通过平衡感应场大小和计算效率来解决现有方法的局限性.
主要方法:
- 开发了MCAU-Net,结合了多分辨率波形聚合模块 (MWPM) 来保存空间信息.
- 在跳过连接中集成的级联空间和通道注意力,用于精确的对象焦点和改进的收.
- 该模型具有较低的参数数量 (0.8百万),可提高计算效率并减少过度装配.
主要成果:
- 在OD细分方面,MCAU-Net取得了高的交叉与欧盟 (IoU) 分数:0.9771 (DRISHTI-GS),0.945 (DRIONS-DB) 和0.946 (IDRiD),表现优于以前的方法.
- 在IDRiD数据集上,该模型定位了具有16.90像素欧几里德距离 (ED) 的OD中心和具有33.45像素ED的fovea中心.
结论:
- MCAU-Net模型在细分和定位关键视网膜结构方面表现出卓越的性能.
- 这种方法有效地克服了视网膜图像自动化分析的常见局限性,为更准确的疾病查铺平了道路.


