带和边界检测多任务学习网络用于梅博姆腺体的细分
Weifang Zhu1, Dengfeng Liu1, Xinyu Zhuang2
1MIPAV Lab, School of Electronic and Information Engineering, Soochow University, Suzhou, China.
Medical physics
|November 26, 2024
概括
这项研究引入了一种新的深度学习网络,用于在眼睛图像中自动分割梅博姆腺. 该SBD-MTLNet有效地对腺体进行细分,有助于诊断梅博米腺功能障碍 (MGD).
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:
- 精确的梅博姆腺细分对于分析形态参数和诊断梅博姆腺功能障碍 (MGD) 至关重要.
- 独特的条形状和腺体粘附性对近红外美图图像的自动细分提出了重大挑战.
研究的目的:
- 开发一种使用新型深度学习架构进行梅博姆腺细分的自动化方法.
- 引入带和边界检测多任务学习网络 (SBD-MTLNet),以提高细分精度.
主要方法:
- 提出了一条带混合注意模块 (SMAM),以增强对梅博姆腺的带形状的识别.
- 开发了一个边界检测辅助网络 (BDA-Net),通过结合边界特征来解决腺粘附问题.
- 实现了一个自我适应的交互式信息融合模块 (SIIFM),用于在细分和边界检测任务之间进行有效的信息交换.
- 在内部数据集和公共MGD-1K数据集上评估SBD-MTLNet,使用五倍交叉验证策略.
主要成果:
- 在SBD-MTLNet的内部数据集上,SBD-MTLNet的平均克系数为81.08%,在MGD-1K数据集上达到84.32%.
- 实验结果表明SBD-MTLNet的性能优于现有的最先进的方法.
结论:
- SBD-MTLNet有效地利用多任务学习,专注于梅博姆腺形状和腺体间边界轮.
- 分段结果提供了定量形态分析,显示了在临床环境中MGD辅助诊断的潜力.
