协调Unets:注意力 连锁Unets中的融合模块用于低质量的OCT图像流体细分
Zhuoyu Wu1, Qinchen Wu2, Wenqi Fang1
1Shenzhen Institute of Advanced Technology, Chinese Academy of Science, 1068 Xueyuan Avenue, Shenzhen, PR China; Shenzhen Unifyware Co., Ltd., Shenzhen, PR China.
Computers in biology and medicine
|October 5, 2024
概括
这项研究介绍了H-Unets,这是一种用于细分低质量的光学连贯断层扫描 (OCT) 图像的新方法,对于在服务不足的地区诊断糖尿病黄斑胀 (DME) 等疾病至关重要.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 计算机视觉 计算机视觉
背景情况:
- 光学连贯断层扫描 (OCT) 提供高分辨率成像,对于诊断视网膜疾病如糖尿病黄斑 (DME) 至关重要.
- 对OCT图像的细分对于准确的诊断和治疗计划至关重要.
- 在资源有限的环境中,便携式设备的低质量OCT图像带来了重大细分挑战,影响了临床实用性.
研究的目的:
- 开发一种有效的OCT图像细分方法,能够对低质量的输入进行稳定.
- 在资源有限的环境中提高视网膜疾病的诊断准确度.
- 提出一种新的深度学习架构和预处理管道,以增强OCT图像细分.
主要方法:
- 提出了一个专门的预处理管道,以增强低质量的OCT图像.
- 引入了一种端到端的双 U 形级联架构,称为 H-Unets.
- 整合了自适应注意力融合 (AAF) 模块,以提高H-Unets内的细分性能.
主要成果:
- 在三个开源数据集上进行了废除和比较研究.
- 证明了预处理管道和H-Unets架构的有效性.
- 获得了最高的子得分90.60%±0.87%,以较小的模型尺寸优于流行方法.
结论:
- 拟议的预处理管道和H-Unets显著改善了OCT图像细分,特别是低质量的图像.
- 带有AAF模块的H-Unets架构在资源有限的环境中为视网膜疾病诊断提供了一个有前途的解决方案.
- 这种方法提供了一种有价值的工具,用于在具有挑战性的环境中增强医学成像分析.


