深度学习架构对OCT图像中的黄斑孔细分的比较分析:U-Net变体的性能评估
H M S S Herath1, S L P Yasakethu2, Nuwan Madusanka3
1Department of Industry 4.0 Convergence Bionics Engineering, Pukyoung National University, Busan 48513, Republic of Korea.
Journal of imaging
|February 25, 2025
概括
在光学连贯性断层扫描 (OCT) 成像中,InceptionNetV4 + U-Net 模型在细分黄斑孔 (MH) 中表现出色,优于基于变压器的方法. 这种基于CNN的模型为临床应用提供了卓越的准确性和高效的性能.
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:
- 在光学连贯断层扫描 (OCT) 图像中,对黄斑孔 (MH) 的准确细分对于诊断和监测视网膜疾病至关重要.
- U-Net架构被广泛用于医疗图像细分,但其性能可能会受到骨干网络选择的重大影响.
研究的目的:
- 为了全面比较各种U-Net变体的性能与不同的骨干架构用于MH细分在OCT图像中.
- 评估卷积神经网络 (CNN) 和基于变压器的骨干对这一特定细分任务的有效性.
主要方法:
- 已经实施了11个U-Net变体,其中包括InceptionNetV4,VGG16/19,ResNet152,DenseNet121,EfficientNet-B7,MobileNetV2,Xception和Transformer等骨干.
- 模型使用OIMHS数据集上的Dice系数和HD95指标进行了定量评估.
- 还分析了计算资源利用率 (参数).
主要成果:
- InceptionNetV4 + U-Net 模型实现了最高的 Dice 系数 (0.9672),表明 MH 的优越细分精度.
- 变压器+U-Net架构在MH和网膜内囊 (IRC) 分段方面表现不佳.
- 移动NetV2 + U-Net提供了最有效的计算细分与最少的参数.
- 发现HD95指标对于像MH这样的小区域是不可靠的.
结论:
- 与变压器架构相比,基于CNN的骨干,特别是InceptionNetV4,在OCT图像细分方面更有效.
- InceptionNetV4 + U-Net 模型为临床MH细分提供了一个高度准确和平衡的解决方案.
- 当计算资源有限时,MobileNetV2 + U-Net提供了一个高效的替代方案.
