DGSSA:域名概括,用于视网膜血管细分的结构和风格增强
Bo Liu1, Yudong Zhang2, Shuihua Wang3
1School of Information Engineering, Nanchang University, Nanchang, 330031, China.
概括
这项研究引入了一种用于视网膜血管细分的新方法,提高了诊断眼睛疾病的准确性. 这种方法增强了模型的概括性,从而在各种成像条件下提高了性能.
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:
- 准确的视网膜血管细分对于诊断眼睛疾病,如糖尿病视网膜病变,玻璃眼瘤和高血压至关重要.
- 现有的方法与域移动作斗争,导致对各种成像数据的性能降低.
- 图像设备和患者人口统计学的变化为强大的视网膜图像分析带来了挑战.
研究的目的:
- 开发一种新的深度学习框架,DGSSA,用于增强视网膜血管图像细分.
- 为了提高模型的概括性和针对视网膜成像中的域移动的稳定性.
- 提供一个更可靠的工具,用于在临床环境中自动化视网膜血管分析.
主要方法:
- 拟议的DGSSA框架结合了结构和风格增强策略.
- 利用空间殖民算法来生成多样化的血管结构,以及用于伪视网膜图像的Pix2Pix模型.
- 使用PixMix进行光度增强和不确定性扰动,以丰富图像风格的多样性.
- 实现了一个DeepLabv3+模型,用于细分网络的MobileNetV2骨干.
主要成果:
- 获得的子相似系数 (DSC) 为78.45% (DRIVE),78.62% (CHASEDB1),72.66% (HRF) 和82.17% (STARE). 获得的子相似系数 (DSC) 是78.45% (DRIVE),78.62% (CHASEDB1),72.66% (HRF) 和82.17% (STARE). 获得的子相似系数 (DSC) 是78.45% (DRIVE),78.62% (CHASEDB1),72.66% (HRF) 和82.17% (STARE).
- 在四个具有挑战性的数据集中达到77.98%的平均DSC.
- 与现有的视网膜血管细分方法相比,表现出优异的性能.
结论:
- DGSSA框架显著提高了视网膜血管细分的概括性和稳定性.
- 结合的结构和风格增强策略有效地解决了领域转移问题.
- 拟议的方法显示了在眼睛疾病自动诊断中临床应用的强大潜力.


