TCDDU-Net:结合变压器和卷积式双路径解码U-Net,用于视网膜血管细分
Nianzu Lv1, Li Xu2, Yuling Chen3
1College of Information Engineering, Xinjiang Institute of Technology, No.1 Xuefu West Road, Aksu, 843100, Xinjiang, China.
Scientific reports
|October 30, 2024
概括
这项研究介绍了TCDDU-Net,这是一种用于准确的视网膜血管细分的新型深度学习模型. 该方法在 fundus 图像中实现了高精度的血管细分,有助于疾病诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 深度学习用于眼科.
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.
- 挑战包括小容器大小,复杂的结构和 fundus 图像中的低对比度.
研究的目的:
- 开发一个先进的深度学习模型,以改善视网膜血管细分.
- 为了解决细分复杂视网膜血管结构现有方法的局限性.
主要方法:
- 拟议的TCDDU-Net,一个双路径的U-Net,包含变压器和卷积元件.
- 引入了选择性密度连接的Swin变压器块,用于特征融合和远距离依赖性捕获.
- 设计了一个使用可变形卷积来增强细分的背景解码器.
主要成果:
- 实现了96.98% (DRIVE),97.40% (STARE) 和97.23% (CHASE) 的高细分精度.
- 获得了优秀的AUC指标98.68% (驱动),98.56% (STARE) 和98.50% (追逐).
- 通过使用F1评分,特异性和灵敏度,在多个数据集中表现出比现有方法更好的性能.
结论:
- TCDDU-Net方法显著提高了视网膜血管细分性能.
- 拟议的方法为眼科医学的临床应用提供了一个强大的解决方案.
- 这一进步有助于提高诊断效率和疾病管理.
