RSF-Conv:用于视网膜血管细分的旋转和尺度等价里埃参数化卷积

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 眼科医生 眼科 眼科

背景情况:

• 视网膜血管细分对于诊断眼睛疾病至关重要,但由于复杂的血管结构而具有挑战性.
• 卷积神经网络 (CNN) 在翻译对称性方面表现出色,但在视网膜图像中的旋转和尺度变化方面存在困难.

研究的目的:

• 引入一种新的旋转和尺度等价卷积 (RSF-Conv) 来增强视网膜血管细分.
• 提高视网膜图像分析中的深度学习模型的概括能力.

主要方法:

• 开发了一个旋转和尺度等价的富里埃参数化卷积 (RSF-Conv) 模块.
• 将RSF-Conv集成到现有的网络中,例如U-Net,Iter-Net,DE-DCGCN-EE和FR-UNet.
• 进行了全面的域内和域外评估.

主要成果:

• RSF-Conv显著优于现有方法,特别是在域外评估中,证明了优越的概括性.
• 用RSF-Conv增强的模型在视网膜动脉/静脉分类中表现得更好.
• 该RSF-Conv模块减少了参数数量,同时提高了性能.

结论:

• RSF-Conv为视网膜血管细分提供了强大的解决方案,解决了传统CNN的局限性.
• 该方法的强烈泛化对于临床应用至关重要,因为该方法面临着跨设备和跨医院的可变性.
• RSF-Conv显示了在眼科更广泛的临床应用的有希望的潜力.