CC-TransXNet:一种混合CNN-变压器网络,用于自动细分光杯和光盘的 fundus 图像
Zhongzheng Yuan1, Jinke Wang2, Yukun Xu1
1Department of Software Engineering, Harbin University of Science and Technology, Weihai, 264300, China.
Medical & biological engineering & computing
|November 27, 2024
概括
一个新的混合网络CC-TransXNet通过结合CNN和变压器的优势来增强光盘和光杯细分用于青光眼的诊断. 它提高了准确性和概括性,特别是在小型数据集上,同时有效地管理模型参数.
科学领域:
- 眼科和医学成像学
- 医疗保健中的人工智能
- 计算机视觉用于医学诊断
背景情况:
- 准确的光盘 (OD) 和光杯 (OC) 分段对于青光眼的诊断至关重要.
- 目前的卷积神经网络 (CNN) 模型缺乏全球信息,并且对小数据集的概括性很差.
- 变压器模型捕捉全球特征,但由于高参数和局部信息不足,医疗图像细分方面存在困难.
研究的目的:
- 开发一个创新的混合网络,CC-TransXNet,整合CNN和变压器优势,以改善OD和OC细分.
- 提高医学图像细分的概括能力和准确性,特别是对于小型数据集.
- 创建一个高效的模型,控制参数,以防止过度装配.
主要方法:
- 提出了CC-TransXNet,一个W形混合网络,利用TransXNet和改进的ResNet进行特征提取,捕获本地和全球信息.
- 在残余结构内集成的卷积块注意模块 (CBAM) 通过通道和空间注意力来增强OD和OC识别.
- 在跳过连接中使用的上下文注意力 (CoT) 自主注意力机制,用于自适应的上下文信息分配,提高细分精度.
主要成果:
- 与传统的U-Net,CNN和基于变压器的网络相比,CC-TransXNet在四个公共数据集 (REFUGE 2,RIM-ONE DL,GAMMA,Drishti-GS) 中表现出更高的细分精度.
- 该模型表现出显著增强的概括能力,特别是在小样本数据集上.
- CC-TransXNet有效地控制了模型参数,减轻了过拟合风险,并表明了高效医疗图像细分的潜力.
结论:
- 拟议的CC-TransXNet有效地解决了现有的CNN和变压器模型对光神经头部细分的局限性.
- 通过改进的OD和OC细分,CC-TransXNet提供了一个有前途的解决方案,用于通过改进的OD和OC细分来准确和可概括的青光眼诊断.
- 混合架构为医疗图像细分任务提供了一种高效和强大的方法.
