有效的视网膜血管细分与78K参数
Zhigao Zeng1, Jiakai Liu1, Xianming Huang1
1School of Computer Science, Hunan University of Technology, Zhuzhou 412007, China.
Journal of imaging
|September 26, 2025
概括
DSAE-Net使用轻量级的双阶段网络为糖尿病视网膜病变诊断提供精确的视网膜血管细分. 这种高效的模型减少了复杂性,同时提高了性能,帮助实时临床应用.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 眼科医生 眼科 眼科
背景情况:
- 糖尿病视网膜病变的诊断依赖于视网膜血管细分.
- 当前的深度学习模型经常面临准确性-复杂性权衡问题.
- 有效的细分对于临床环境至关重要.
研究的目的:
- 开发一个轻量级但准确的深度学习模型用于视网膜血管细分.
- 在计算复杂性和准确性方面解决现有模型的局限性.
- 为了促进糖尿病视网膜病变的早期诊断.
主要方法:
- 提出了DSAE-Net,这是一个双阶段网络,具有参数化级联W形架构.
- 引入了骨架距离损失 (SDL) 来管理阶级不平衡和边界问题.
- 开发了交叉模式融合注意力 (CMFA) 和协调注意力门 (CAGs) 以提高特征精细化.
- 使用了DRIVE,CHASE_DB1,HRF和STARE数据集进行评估.
主要成果:
- 与最先进的轻量级模型相比,DSAE-Net实现了更高的细分精度.
- 拟议的架构显著降低了计算复杂性 (仅使用1%的U-Net参数).
- 该模型在多个基准数据集中展示了稳定性.
- SDL有效地处理了视网膜图像中固有的严重阶级失衡.
结论:
- DSAE-Net为视网膜血管细分提供了高效准确的解决方案.
- 该模型的低复杂性和高性能适合实时诊断.
- 这种方法支持在资源有限的环境中早期检测糖尿病视网膜病变.
