基于纵向多尺度融合网络的视网膜底图像的硬排泄物细分
Shuang Liu1, Xiangyu Jiang1, Jie Zhang1
1School of Electronic and Information Engineering, Soochow University, Suzhou, 215006, China.
Medical & biological engineering & computing
|August 12, 2025
概括
一个新的深度学习模型,纵向多尺度融合网络 (LMSF-Net),增强了视网膜图像中的硬排泄物细分. 这种方法改善了检测小和模两可的病变,以便更好地早期诊断视网膜疾病.
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:
- 在 fundus 图像中准确地细分硬液对于早期检测视网膜疾病至关重要.
- 当前的细分方法面临着小病变和模两可的边界带来的挑战.
研究的目的:
- 提出一个新的深度学习模型,纵向多尺度融合网络 (LMSF-Net),用于准确的硬排泄物细分.
- 为了改善硬排泄物在 fundus 图像中的各种尺度和形状的细分.
主要方法:
- 在LMSF-Net中包含一个相邻的补充校正模块 (ACCM),用于编码路径中的特征融合.
- 一个渐进的代融合模块 (PIFM) 在对邻近特征融合的解码路径中被利用.
- 一个空间意识融合模块 (SAFM) 校准和聚合解码输出.
主要成果:
- 在硬排泄物细分方面,LMSF-Net表现出卓越的性能.
- 在DDR,IDRID和E-Ophtha EX数据集上,精度-回忆曲线 (AUPR) 下的实现面积分为0.6954,0.9017和0.6745,分别为0.6954,0.9017和0.6745.
结论:
- 拟议的LMSF-Net有效地解决了硬排泄物细分方面的挑战.
- 该方法显示了通过增强图像分析来改善视网膜疾病的早期诊断的巨大潜力.
