基于视网膜血管细分的动态统计注意力轻量级模型:DyStA-RetNet

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:

• 准确的视网膜血管细分对于诊断和治疗眼睛疾病至关重要.
• 现有的深度学习模型与复杂的容器结构,假阳性和计算需求作斗争.
• 在资源有限的环境中部署受到模型复杂性的阻碍.

研究的目的:

• 开发基于注意力的,计算高效的架构,以改善视网膜血管细分.
• 解决现有模型在准确性和部署性方面的局限性.

主要方法:

• 拟议的DyStA-RetNet:一个浅层的CNN编码器解码器架构.
• 嵌入部分解码器用于高级语义传输和单独的分支用于低级信息.
• 利用多尺度的动态注意力和统计空间注意力块来增强特征学习.

主要成果:

• 在四个基准数据集 (DRIVE,STARE,CHASEDB,HRF) 中,DyStA-RetNet表现出卓越的细分性能.
• 获得的可训练参数 (37.19K) 和GFLOPS (0.75) 显著减少.
• 展示了适应临床应用的适应性.

结论:

• 轻量级的DyStA-RetNet可以有效地提取复杂的视网膜血管组件.
• 该模型在计算上高效,适用于资源有限的环境.
• 能够提高视网膜疾病的诊断能力.