使用HardNet完全卷积网络对视网膜血管进行自动细分
Yuanpei Zhu1, Yong Liu2,3, Xuezhi Zhou3
1School of Physics and Electronic Engineering, Xinxiang University, Xinxiang, China.
PloS one
|September 8, 2025
概括
本研究引入了一种改进的HardNet模型,用于在 fundus 图像中增强视网膜血管细分. 该模型擅长识别小血管和复杂结构,改善早期疾病检测.
科学领域:
- 医疗图像分析 医学图像分析
- 计算机辅助诊断是一种计算机辅助的诊断.
- 用于医学成像的深度学习
背景情况:
- 深度学习推进了 fundus 图像的自动细分,这对于检测糖尿病和高血压等疾病至关重要.
- 挑战仍然存在,包括有限的数据和结构变化,阻碍了小型船舶的准确细分.
研究的目的:
- 开发一种基于HardNet的增强型模型,以改善视网膜血管细分.
- 解决当前深度学习模型处理小血管和复杂血管结构的局限性.
主要方法:
- 提出了一个增强的HardNet模型,集成HardNet,接收场区块 (RFB) 和密集聚合模块.
- 该模型旨在有效提取多尺度特征,以提高细分精度.
主要成果:
- 该模型实现了高精度:在DRIVE上为0.9685 (±0.0035),在CHASE_DB1.1上为0.9744 (±0.0029).
- 它在视网膜血管细分方面超过了U-Net,ResU-Net和R2U-Net等最先进的模型.
- 在细分小型船只和分支地区方面,注意到了特殊的表现,与黄金标准密切匹配.
结论:
- 拟议的模型在视网膜血管细分方面表现出强大而准确的性能.
- 它在处理复杂的血管结构方面的有效性为医学图像分析提供了显著的优势.
- 这为早期疾病检测的研究和应用提供了宝贵的技术支持.
