在OCT使用基于多尺度注意力的U-Net架构精确细分上网膜下液体
Prakash Kumar Karn1, Waleed H Abdulla1
1Department of Electrical, Computer, and Software Engineering, The University of Auckland, Auckland 1010, New Zealand.
Bioengineering (Basel, Switzerland)
|October 25, 2024
概括
一个新的深度学习模型准确地对糖尿病黄斑 (DME) 和与年龄相关的黄斑退化 (AMD) 中的视网膜液体进行细分. 这种先进的细分可以改善这些常见的视网膜疾病的诊断和治疗计划.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确细分内液 (IRF),下液 (SRF) 和色素上皮脱落 (PED) 对于管理糖尿病黄斑 (DME) 和与年龄相关的黄斑退化 (AMD) 至关重要.
- 现有的细分技术往往缺乏有效的临床决策所需的精度.
- 像光学连贯断层扫描 (OCT) 这样的先进的成像模式产生复杂的数据,需要复杂的分析方法.
研究的目的:
- 开发和验证一种深度学习架构,用于精确细分多种视网膜液类型的DME和AMD.
- 与当前方法相比,提高流体细分的精度和边缘定义.
- 为改善视网膜疾病的诊断和治疗规划提供强大的计算工具.
主要方法:
- 设计了一个编码解码器深度学习网络,灵感来自U-Net架构.
- 模型过程使用双输入方法增强了OCT图像及其相应的边缘地图.
- 该编码器具有剩余和初始模块,包含基于自动编码器的多尺度注意力机制,用于详细的特征提取.
主要成果:
- 拟议的架构在多个数据集 (RETOUCH,OPTIMA,DUKE) 中显示出卓越的性能.
- 在RETOUCH数据集上,该模型获得了高的F1分数:IRF为0.82,SRF为0.93,PED为0.94.
- 该模型始终表现出高精度,回忆和F1分数,表明细分精度和边缘精度的显著改进.
结论:
- 开发的深度学习架构在细分视网膜液体方面取得了重大进展.
- 这种增强的细分精度和边缘精度可以改善DME和AMD患者的临床结果.
- 该模型的复杂设计,包括双输入处理和多尺度注意力,是视网膜疾病管理和研究的宝贵工具.
