相关实验视频
Updated: May 16, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
331
在U-Net中深入研究转移学习,以精炼视网膜血管细分:广泛的超参数分析
G Prethija1, Jeevaa Katiravan2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Photodiagnosis and photodynamic therapy
|May 5, 2025
概括
本研究引入了用于视网膜血管细分的新型深度学习模型,利用U-Net架构的转移学习. ResNet50 U-Net实现了高特异性,在分段血管方面显示出更高的准确性.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 由于对比度低,重叠结构和血管厚度不同,血管细分具有挑战性.
- 传统的卷积神经网络 (CNN) 在准确细分复杂的血管网络方面存在局限性.
- 在医疗图像细分任务中,U-Net及其变体显示出前景.
研究的目的:
- 通过转移学习提出一种用于视网膜血管细分的新方法.
- 评估各种预训练模型作为U-Net架构中的编码器的性能.
- 为了比较不同优化器 (Adam,SGD,RMSProp) 对视网膜血管细分的有效性.
主要方法:
- 使用预训练编码器实现的 U-Net 架构:VGG16,VGG19,ResNet50,MobileNetV2 和 DenseNet121.这些编码器都使用了预训练编码器.
- 在DRIVE数据集上训练和评估的模型用于视网膜血管细分.
- 使用Adam,随机梯度下降 (SGD) 和RMSProp优化器进行模型训练.
主要成果:
- 使用Adam优化器的模型通常产生了优异的结果.
- 在ResNet50 U-Net中,具有最高的特异性 (0.9875).
- 移动网络V2 U-Net实现了最高的召回率 (0.8056),而DenseNet121 U-Net达到0.9689.9的准确性.
- VGG16 U-Net和MobileNetV2 U-Net获得了0.849.9的子系数.
结论:
- 使用预训练的U-Net模型进行转移学习,为视网膜血管细分提供了一个强大的方法.
- 预训练编码器和优化器的选择显著影响了细分性能.
- 在视网膜成像中,ResNet50 U-Net,MobileNetV2 U-Net和DenseNet121 U-Net显示出临床应用的巨大潜力.
