基于D-STUNet和渐进关键点查策略的无监督视网膜图像注册.
Xiangyu Deng1,2, Jiayi Kang1,2
1Institute of Information Technology, Northwest Normal University, Lanzhou 730070, People's Republic of China.
Biomedical physics & engineering express
|June 30, 2025
概括
一个新的D-STUNet模型通过有效捕捉血管特征来增强视网膜图像注册. 这种新方法显著提高了诊断准确性和疾病监测,优于现有方法.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 准确的视网膜图像记录对于诊断和监测眼睛疾病至关重要.
- 现有的方法难以识别复杂的视网膜血管特征,限制了注册的准确性.
- 当前技术的局限性需要先进的方法来改进视网膜图像分析.
研究的目的:
- 推出D-STUNet,一个用于增强视网膜图像注册的新型融合网络.
- 改进视网膜血管特征在图像记录中的识别和利用.
- 为网膜图像分析提供更准确,更可靠的方法.
主要方法:
- 开发了D-STUNet,一个Swin变压器和U-Net融合网络,结合了带有残余机制 (DMCR) 的差分多尺度卷积块注意模块.
- 实施逐步关键点选 (PKS) 策略,在培训期间逐步积累有效的关键点信息.
- DMCR模块增强了对血管特征的关注,而PKS则集中了血管区域的关键点,以改善匹配.
主要成果:
- 在FIRE数据集上,D-STUNet实现了98.50%的接受率和0%的失败率.
- 该模型在不同难度级别中表现出强的性能,AUC为0.929 (简单),0.883 (简单) 和0.724 (困难).
- 平均AUC (mAUC) 在比较算法中是最高的,显著超过第二最好的方法.
结论:
- D-STUNet有效地捕捉局部特征,包括视网膜图像中的复杂血管结构.
- 拟议的网络在视网膜图像注册准确度方面提供了显著的进步.
- 这种方法为改善眼部疾病的诊断和治疗提供了一个新的,强大的工具.
