一个轻量级的PCT-Net用于在低质量的CCM图像中对神经纤维进行细分

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 生物医学工程 生物医学工程

背景情况:

• 角膜共聚焦显微镜图像往往具有低质量,包括斑点噪音和不均的照明.
• 精确细分精细的神经纤维对于诊断角膜疾病至关重要.

研究的目的:

• 提出一种新的轻量级神经网络,PCT-Net,用于在具有挑战性的角膜显微镜图像中有效地细分神经纤维.
• 为了提高角膜神经纤维细分的准确性和效率.

主要方法:

• 开发了一个位置通道变压器网络 (PCT-Net),集成通道注意力,扩展混合定位和上下文变压器模块.
• 集成的跳过连接,以保存详细的光纤信息和双输出策略,以实现多级特征集成.
• 用于数据集平衡的形态扩展和用于训练的混合损失函数 (MS-SSIM, BCE,多焦损失).

主要成果:

• 与七种现有的方法相比,PCT-Net在细分低质量的角膜显微镜图像方面表现出卓越的性能.
• 拟议的网络在三个公开可用的数据集上取得了更好的结果.
• PCT-Net 显示了减少的参数数量,从而促进了实时细分.

结论:

• 在低质量的角膜图像中,PCT-Net对于细细的神经纤维的细分非常有效,这些图像具有噪音和不均的照明.
• PCT-Net的轻量级设计和卓越性能使其适合在便携式设备上实时应用.
• 该研究为改进角膜图像分析提供了新的网络架构,训练策略和损失函数.