基于混合注意力引导的多尺度特征融合网络的自动合体细分和厚度测量

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:

• 冠状腺厚度的变化是眼科疾病的关键生物标志物.
• 在OCT图像中准确的胆管细分对于临床诊断和监测至关重要.
• 现有的公共OCT数据集缺乏足够的疾病多样性和标记数据.

研究的目的:

• 为了应对由于模糊边界,不均的纹理和病变而导致的胸腔细分的挑战.
• 开发一种新的深度学习模型,用于准确的胆道细分和厚度测量.
• 为研究引入徐州市立医院 (XZMH) - 冠状腺数据集.

主要方法:

• 构建 XZMH-Choroid 数据集,使用标注的 OCT 图像对正常的和八种状腺相关疾病进行构建.
• 开发混合注意力引导的多尺度特征融合网络 (MAMFF-Net).
• 整合了混合注意力编码器 (MAE),可变形多尺度特征融合路径 (DMFFP) 和多尺度金字塔层聚合 (MPLA) 模块.

主要成果:

• 与其他深度学习方法相比,MAMFF-Net表现出优越的细分性能 (mDice: 97.44,mIoU: 95.11,mAcc: 97.71).
• 一个基于MAMFF-Net细分的自动化胆道厚度测量算法被开发出来.
• 自动测量与高级专家的评估密切结合.

结论:

• 拟议的MAMFF-Net有效地克服了来自OCT图像的胆道细分方面的挑战.
• 开发的自动测量算法显示高精度,接近专家级别的性能.
• 这项工作为推进眼病诊断和监测提供了有价值的数据集和强大的模型.