全球局部变压器网络用于光学连贯断层图像图像中的自动视网膜病理流体细分
Feng Li1, Hao Wei1, Xinyu Sheng1
1School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Computer methods and programs in biomedicine
|April 14, 2025
概括
这项研究引入了一种全新的全球局部变压器网络 (GLTNet),用于在OCT图像中准确细分视网膜病态液体,其性能优于现有的方法,并有助于诊断眼部疾病.
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:
- 视网膜病理液的准确细分,如视网膜内液 (IRF),视网膜下液 (SRF) 和色素上皮质脱落 (PED),对于诊断和管理各种视网膜病变至关重要.
- 分段化的挑战包括流体特征的变化,低对比度,噪音以及传统深度学习模型在捕捉全球依赖性方面的局限性.
研究的目的:
- 开发一种用于精确细分和定量分析多种类型视网膜液在光学连贯性断层扫描 (OCT) 图像中的自动方法.
- 解决现有模型在捕捉全球依赖性方面的局限性,以改善病理特征识别.
主要方法:
- 开发了一种全新的全球局部变压器网络 (GLTNet),具有U形架构,用于同时进行多种类型的视网膜液体细分.
- 将全球本地注意模块 (GLAM) 集成到VGG-19的骨干中,以增强特征表示和噪音抑制.
- 在编码器路径中集成了一个多尺度变压器模块 (MSTM),以捕获跨多个尺度的长期依赖.
主要成果:
- 在Kermany数据集上,GLTNet实现了优异的细分性能,Dice系数为0.8395,IOU系数为0.7657,灵敏度为0.8631,精度为0.8202.
- 该模型显著优于其他最先进的视网膜液体细分方法.
- 对DUKE和UMN数据集的实验结果表明,拟议的模型具有令人满意的通用性.
结论:
- 与目前的方法相比,开发的GLTNet显著提高了视网膜液细分的准确性,概括性和稳定性.
- 该模型在帮助眼科医生诊断各种眼部疾病和开发定制治疗方案方面具有很大的潜力.
