LRNet:链接残留神经网络用于OCTA图像中的血管细分
Dong Li1, Idowu Paul Okuwobi2,3, Zhixiang Ding4
1School of Artificial Intelligence, Guilin University of Electronic Technology, Guilin, China.
Journal of imaging informatics in medicine
|January 14, 2025
概括
一个新的深度学习模型有效地在光学一致性断层扫描血管学 (OCTA) 图像中对视网膜血管系统进行细分. 这一进步有助于通过改进复杂血管结构的自动分析来诊断视网膜疾病.
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:
- 光学连贯断层扫描血管造影 (OCTA) 是视网膜血管系统的一个关键的非侵入性成像技术.
- 在OCTA图像中复杂的血管结构的自动细分为疾病诊断带来了重大挑战.
研究的目的:
- 开发一种新的深度学习网络,以在OCTA图像中准确地细分视网膜血管区域.
- 为了解决复杂的OCTA血管结构当前自动化细分方法的局限性.
主要方法:
- 设计了一个完全卷积密集的连接残余网络,其中包括一个双分支的循环残余卷积神经网络 (RRCNN) 块.
- 该网络使用ResConvNeXt V2区块作为其骨干,并将集团接收场区块 (GRFB) 置于侧面分支中,以进行增强的特征处理.
- 该模型整合了脊柱和侧枝的输出,用于最终的血管细分.
主要成果:
- 拟议的网络在ROSSA和OCTA-500数据集上实现了高性能.
- 得到的子得分分别为91.88%,91.72%和89.18%.
- 在各自的数据集上,准确度达到98.31%,99.02%和98.02%.
结论:
- 这种新型的深度学习模型在从OCTA图像中对视网膜血管系统进行细分方面表现出卓越的性能.
- 这种方法为改善视网膜疾病的自动化分析和诊断提供了一个有希望的解决方案.
- 拟议的网络架构有效地处理了OCTA成像中的血管结构的复杂性.
