相关实验视频
Updated: Jan 6, 2026
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
719
通过在密集的生成对抗网络中通过损失平衡增强视网膜血管细分,具有快速注意力机制
Daria Sandeep1, K Baranitharan2, A Padmavathi3
1Department of Information Technology, MLR Institute of Technology, Hyderabad, Telangana, India. sandeeplight97@mlrinstitutions.ac.in.
International ophthalmology
|October 3, 2025
概括
这项研究引入了视网膜血管细分的先进框架,在检测视网膜疾病的细血管方面实现了高精度. 综合方法提高了可靠临床使用的稳定性.
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:
- 视网膜血管的手动细分对于诊断糖尿病视网膜病变等疾病至关重要.
- 现有的自动化方法在细血管细分和损失函数优化方面扎.
研究的目的:
- 开发一个综合框架,以提高视网膜血管细分的准确性和稳定性.
- 改进用于临床应用的视网膜血管异常的自动检测.
主要方法:
- 使用近交双边过 (QCBF) 进行预处理,以减少噪声.
- 使用VGG16 (DAGNN-VGG16) 的定向环形图神经网络进行特征提取.
- 通过密集生成对抗网络与快速注意网络 (密集GAN-QAN) 进行细分,并使用Swarm双极算法 (SBA) 减少损失.
主要成果:
- 在三个数据集 (CHASE-DB1,STARE,DRIVE) 中实现了高性能,精度:99.87%,F1得分:99.82%.
- 证明了强大的概括性和稳定性,平均精度为99.84%,回忆率为99.78%,特异性为99.87%.
结论:
- "QCBF-DAGNN-VGG16-Dense GAN-QAN-SBA框架"在视网膜血管细分方面制定了一个新的标准.
- 该方法有效地细分细血管并优化训练,显示在视网膜疾病诊断中临床部署的潜力.
