一个基于特征提取和融合的多尺度模型,用于视网膜血管细分在 fundus 图像中的 fundus 图像
Jinzhi Zhou1,2, Guangcen Ma3,4, Haoyang He3,4
1School of Information Engineering, Southwest University of Science and Technology, Mianyang, 621000, China. zhoujinzhi@swust.edu.cn.
Medical & biological engineering & computing
|October 21, 2024
概括
这项研究引入了一个改进的U-Net模型,用于准确的视网膜血管细分,增强特征提取和融合. 该模型实现了高精度,证明了其在医疗图像分析中的有效性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 生物医学工程 生物医学工程
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.
- 现有的方法难以处理小视网膜血管的细节,影响诊断的准确性.
研究的目的:
- 使用改进的U-Net架构开发一个先进的视网膜血管细分模型.
- 为了增强多尺度血管特征的提取,并改善血管连接.
主要方法:
- 实施了一种改进的U-Net,其中包含了一个扩展的残余模块,具有用于多尺度特征提取的双重注意力机制.
- 在跳过连接处集成了一个自适应功能融合模块,以增强船舶连接.
- 利用混合损失函数来解决船只和背景之间的类不平衡.
主要成果:
- 实现了高细分精度 (96.27%在DRIVE上,96.96%在CHASE_DB1上).
- 与现有方法相比,显示出更高的灵敏度 (81.32%和82.59%) 和AUC (98.34%和98.70%).
- 拟议的模型有效地细分了微小的视网膜血管,提高了整体性能.
结论:
- 改进的U-Net模型具有多级特征提取和融合,显著提高了视网膜血管细分的准确性.
- 该模型在眼科和视网膜疾病诊断中的临床应用方面显示出有希望的结果.
