具有结构预先引导和功能增强的变压器,带有覆盖图像建模预训,用于视网膜层和斑点水中的液体细分 OCT图像
Sheng Wang1, Shuxian Feng1, Zhina Wang2
1School of Precision Instruments and Opto-electronics Engineering, Tianjin University, Tianjin 300072, China.
Biomedical optics express
|December 15, 2025
概括
一种新的变压器模型 (SPFET-MIMP) 在光学连贯断层扫描 (OCT) 图像中准确地分割视网膜层和液体,改进了对黄斑的诊断. 该方法使用蒙面图像建模预训,以提高稳定性和减少数据注释需求.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 光学连贯断层扫描 (OCT) 对于视网膜疾病诊断至关重要,提供高分辨率的3D成像.
- 视网膜生物标志物的自动细分有助于诊断,但受到斑点瘤OCT扫描中的病变和器件的挑战.
- 当前的深度学习模型需要大量的注释数据,增加开发成本.
研究的目的:
- 开发一个准确和强大的深度学习模型,用于在OCT B-扫描中的视网膜层和液体的细分.
- 解决现有模型关于各种病变,文物和数据要求的局限性.
主要方法:
- 提出了一个结构性预先引导和功能增强的变压器,具有掩盖成像建模预训 (SPFET-MIMP).
- 采用了变压器架构,具有转移窗口的多头自我注意和特征提取的轴向注意.
- 整合了多类协同细分 (MCSS) 损失,以保持视网膜层拓和秩序.
- 利用SimMIM对未标记的OCT数据进行自我监督的预训,以提高模型的稳定性.
主要成果:
- 在 AROI 数据集上获得了 94.35% 的平均 Dice 系数.
- 在私人糖尿病黄斑瘤数据集上获得了90.19%的平均Dice系数.
- 在两个数据集上都超过了现有的最先进的细分技术.
结论:
- 在分隔视网膜结构和液体中,SPFET-MIMP表现出卓越的性能.
- 拟议的方法提高了模型的稳定性,并减少了对大型注释数据集的依赖.
- 这种方法为使用OCT诊断视网膜疾病提供了更准确,更有效的工具.
