一个新的多尺度和细粒度网络用于在OCT的大胆血管细分
Wei Huang1, Qifeng Yan2, Lei Mou2
1School of Biomedical Engineering, Hainan University, Haikou, China.
Frontiers in cell and developmental biology
|February 17, 2025
概括
我们开发了MFGNet,这是一个新的深度学习网络,用于在OCT图像中对大型胆道血管进行细分. 这种方法可以准确地识别血管结构,有助于了解胸腔疾病和高近视.
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:
- 在光学相干断层扫描 (OCT) 图像中,大胆管血管的准确细分对于胆管疾病的定量分析至关重要.
- 现有的方法难以应对在OCT扫描中冠状血管特征的小目标,低对比度和模糊边界.
研究的目的:
- 引入MFGNet,一个新的多尺度和细粒度网络,用于精确细分大型胆道血管在OCT图像中.
- 为了证明精确的胆道血管细分在区分健康和高近视患者群体的临床实用性.
主要方法:
- 开发了一种双分支细粒度特征提取模块,将长距离依赖的变压器和局部特征的卷积相结合,并进行分支间的信息交换.
- 引入了一个大型的内核和多尺度的注意模块,通过多尺度的卷曲和特征改进来解决低对比度和模糊边界来增强功能.
- 在800张手动注释的OCT图像上对MFGNet进行了定量评估,并将其性能与最先进的细分网络进行了比较.
主要成果:
- 与现有的OCT数据集高级细分网络相比,MFGNet在OCT数据集上取得了更好的表现.
- 使用细分输出成功地进行了大型胆道血管的三维 (3D) 重建.
- 对计算的3D形态参数的统计分析揭示了健康和高近视组之间的显著差异.
结论:
- 拟议的MFGNet提供了一个非常有效的解决方案,用于在OCT图像中准确地细分大胆管血管.
- 该方法在健康和高近视群体之间进行区分的能力突出了其在临床决策和疾病理解方面的潜力.
- 这项工作强调了先进的人工智能驱动的眼科图像分析在定量疾病评估中的价值.
