一个高效的视网膜流体细分网络,基于大受体场背景捕获,用于光学一致性断层图像的图像
Hang Qi1, Weijiang Wang1,2, Hua Dang1
1School of Integrated Circuits and Electronics, Beijing Institute of Technology, Beijing 100081, China.
Entropy (Basel, Switzerland)
|January 24, 2025
概括
本研究介绍了LKMU-Lite,这是一种新的轻量级深度学习模型,用于在光学连贯断层扫描 (OCT) 图像中对视网膜液体进行细分. 这种高效的方法实现了最先进的准确性,克服了视网膜成像分析中的常见挑战.
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:
- 光学连贯断层扫描 (OCT) 对于诊断视网膜疾病至关重要.
- 在OCT图像中准确细分视网膜液和病变是具有挑战性的,因为图像工件.
- 现有的方法往往涉及高计算成本,以有效的特征提取.
研究的目的:
- 开发一种高效,准确的深度学习模型,用于在OCT图像中对视网膜液体进行细分.
- 为了解决当前细分技术中计算开销的局限性.
- 提高在视网膜扫描中的各种液体和病变类型的检测.
主要方法:
- 提出LKMU-Lite,一个轻量级的U形网络用于视网膜液体细分.
- 集成解大内核注意力 (DLKA) 增强了本地和远程特征表示.
- 采用多尺度群体感知 (MSGP) 具有扩展的卷积,用于多种病变大小的检测.
- 引入了聚合转移解码器,以减少复杂性,同时保持功能完整性.
主要成果:
- 在ICF和RETOUCH数据集上,LKMU-Lite取得了最先进的性能.
- 该模型在多个细分指标上表现出卓越的准确性.
- 在只有102万个参数和3.82G FLOP的情况下,实现了高效率.
结论:
- 在OCT成像中,LKMU-Lite为视网膜液细分提供了高效和有效的解决方案.
- 拟议的架构成功地平衡了模型复杂性和细分性能.
- 与现有方法相比,证明了可通用性和最先进的结果.
