OCTSeg-UNeXt:一种超轻的混合Conv-MLP网络,用于网膜病理细分在OCT成像中
Shujun Men1, Jiamin Wang1, Yanke Li1
1School of Information Science and Engineering, Yanshan University, Qinhuangdao, 066004, People's Republic of China.
Biomedical physics & engineering express
|November 19, 2025
概括
我们开发了OCTSeg-UNeXt,这是一个高效的深度学习模型,用于视网膜损伤细分在光学连贯断层扫描 (OCT) 成像中. 这种超轻型网络在显著减少参数和计算时实现了高精度,因此非常适合于护理点系统.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 准确的视网膜损伤细分对于使用光学连贯断层扫描 (OCT) 诊断眼睛疾病至关重要.
- 资源有限的OCT点诊系统需要计算效率高,紧的深度学习模型.
研究的目的:
- 提出OCTSeg-UNeXt,一个超轻的混合型卷积多层感知器 (Conv-MLP) 网络,用于在OCT图像上高效准确的视网膜损伤细分.
- 优化UNeXt架构用于OCT图像分析,重点是计算效率和性能.
主要方法:
- 开发了OCTSeg-UNeXt,集成了一个深度增强规模上下文 (DASC) 模块和一个集团融合桥 (GFB).
- 在培训期间采用深度监督策略,以增强结构性学习和融合速度.
- 通过比较和废弃实验,对三个公共的OCT数据集进行了模型评估.
主要成果:
- 在视网膜损伤细分中的多个关键指标中,OCTSeg-UNeXt取得了强大的表现.
- 与UNeXt和UNet.net相比,该模型的参数 (0.187M) 和FLOP (0.053G) 显著减少.
- 证明了卓越的计算效率和模型紧性.
结论:
- OCTSeg-UNeXt为视网膜损伤细分提供了高效和准确的解决方案.
- 拟议的模型显示出在资源有限的护理点成像 (POCI) 系统中部署的巨大潜力.
- 强调了混合Conv-MLP架构和用于医疗图像分析的新型模块的有效性.
