在视网膜图像中通过轻量级的注意力U-Net进行高效的微动脉瘤细分,用于早期DR诊断
Muhammad Zeeshan Tahir1, Xingzheng Lyu2, Muhammad Nasir3
1Department of Computer Science and Technology, Zhejiang University, 38 Zheda Road, Hangzhou, 310027, Zhejiang, China.
SLAS technology
|July 30, 2025
概括
一个新的自动化系统有效地检测 fundus图像中的微动脉瘤 (MAs),用于早期糖尿病视网膜病变 (DR) 诊断. 这种轻量级模型提高了图像质量,并使用注意力机制来精确检测MA,有助于预防视力丧失.
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:
- 糖尿病视网膜病变 (DR) 具有明显的视力障碍和失明风险.
- 由于糖尿病率上升和眼科医生短缺,自动查至关重要.
- 早期发现微动脉瘤 (MAs) 是DR诊断的关键,但在 fundus 图像中具有挑战性.
研究的目的:
- 开发一种自动化方法,用于精确检测 fundus 图像中的微动脉瘤.
- 为了改善糖尿病视网膜病变的早期诊断.
- 为了创建一个轻量级和坚固的模型,用于临床应用.
主要方法:
- 开发了一种新的预处理管道,以提高 fundus 图像质量.
- 一个轻量级的注意力U-Net模型被设计用于MA细分.
- 该模型在IDRID和E-Ophtha数据集上进行了训练和评估.
主要成果:
- 拟议的方法在IDRID数据集上实现了高灵敏度 (0.81) 和特异性 (0.99).
- 该模型在E-Ophtha数据集上表现出良好的概括性,具有0.59的灵敏度和0.99的特异性.
- 轻量级的注意力U-Net模型超过了现有的MA细分方法.
结论:
- 开发的自动化系统显示了大规模糖尿病视网膜病变查的前景.
- 预处理和基于注意力的模型有效地解决了MA检测的挑战.
- 这个工具可以帮助临床医生在早期DR诊断和预防视力丧失.
