无监督域适应教师-学生网络通过全分辨率精细模型进行视网膜血管细分
Kejuan Yue1, Lixin Zhan2, Zheng Wang1
1School of Computer Science, Hunan First Normal University, Changsha, 410205, China.
Scientific reports
|January 15, 2025
概括
这项研究引入了一种用于视网膜血管细分的新无监督域适应方法,有效地解决了医学成像中的域转移问题. 该方法显著提高了跨不同数据集的细分精度,优于现有方法.
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:
- 视网膜血管形态变化是诸如高血压和糖尿病等全身性疾病的指标.
- 视网膜血管在 fundus 图像中的自动细分有助于早期发现疾病.
- 域移动,在跨数据集应用模型的挑战,显著降低了细分的准确性.
研究的目的:
- 提出一种用于视网膜血管细分的新型无监督域适应方法.
- 为了克服自动化 fundus 图像分析中的域位移问题.
- 提高跨不同数据集的细分模型的稳定性和准确性.
主要方法:
- 使用教师-学生框架,为目标域图像生成伪标签.
- 学生网络被训练使用源域损失和域适应损失的组合.
- 通过计算多个语义级别和分辨率的训练损失来重建一个全分辨率的精细模型.
主要成果:
- 该方法在DRIVE和STARE数据集上表现出高性能,在各个领域中实现了分别超过0.96,0.84和0.97的准确性,灵敏性和特异性.
- 超过了大多数最先进的无监督域名适应方法.
- 从STARE到DRIVE获得了最佳F1得分 (0.8053) 和从DRIVE到STARE获得了最佳F1得分 (0.8001).
结论:
- 提出的无监督域适应方法有效地解决了视网膜血管细分中的域转移问题.
- 该方法为医疗图像分析中的跨数据集概括提供了一个强大的解决方案.
- 这种方法显示了通过视网膜成像来改善系统性疾病的自动诊断的巨大潜力.
