探索一个多路径的U-net与概率分布注意力和级联扩展卷积,以精确的视网膜血管细分在 fundus图像中
Ruihong Zhang1, Guosong Jiang2
1School of Computer, Huanggang Normal University, Huanggang, Hubei, 438000, China.
Scientific reports
|April 18, 2025
概括
这项研究引入了一种用于视网膜血管细分的新型深度学习方法,通过将注意力机制和级联扩展卷积模块 (CDCM) 集成到U-Net架构中来提高准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 用于医学成像的深度学习
背景情况:
- 视网膜血管细分对于诊断眼睛疾病至关重要.
- 挑战包括有限的数据,复杂的血管结构和损伤干扰.
研究的目的:
- 开发一种先进的深度学习模型,用于准确的视网膜血管细分.
- 解决处理复杂视网膜图像的现有方法的局限性.
主要方法:
- 一个双路径的U-Net架构,具有独立的纹理和结构分支.
- 一个级联扩展卷积模块 (CDCM) 的集成,用于多级特征提取.
- 一个带有概率分布注意力 (PDA) 的增强算法,以增强浅层信息并减少过拟合.
主要成果:
- 拟议的方法在CHASEDB1,DRIVE和STARE数据集上实现了更好的细分精度.
- 与现有的视网膜血管细分技术相比,其表现优越.
- 有效处理复杂的背景和损伤区域.
结论:
- 新的基于注意力的U-Net与CDCM和PDA显著增强了视网膜血管细分.
- 该方法为需要精确的血管分析的临床应用提供了可靠的解决方案.
- 这种方法有望改善视网膜疾病的诊断和监测.
