增强功能动态融合门联网,用于强大的视网膜血管细分
Yang Yang1,2, Yifeng Li1, Jikui Wang3
1Changchun University of Science and Technology, Changchun, China.
Scientific reports
|December 26, 2025
概括
这项研究引入了增强功能动态融合门U-Net (EFDG-UNet) 以实现精确的视网膜血管细分. 该模型在识别小型船舶和处理复杂结构方面表现出色,提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 视网膜血管细分对于诊断眼睛疾病至关重要.
- 现有的方法难以处理小血管,病变和多层次结构.
研究的目的:
- 为增强视网膜血管细分开发先进的深度学习模型.
- 在具有挑战性的场景中提高准确性,例如低对比度区域和损伤干扰.
主要方法:
- 提出了增强功能动态融合门U-Net (EFDG-UNet) 的提议.
- 集成的功能导航中心 (FN-Hub) 用于远程依赖.
- 用于动态特征选择的使用自适应门式剩余块 (AGRB).
- 使用并行聚焦注意力模块 (PFAM) 进行细粒度特征优化.
主要成果:
- 经费组-联网在DRIVE,CHASE_DB1和STARE数据集上实现了最先进的性能.
- 在CHASE_DB1.1上获得的AUC为0.9932和F1得分为0.8469
- 在DRIVE.上取得了0.9886的AUC和0.8412的F1得分.
- 在低对比度区域和复杂的船体结构中表现出卓越的性能.
结论:
- EFDG-UNet为视网膜血管细分提供了一个强大的解决方案.
- 该模型的设计有效地解决了以前方法的局限性.
- 这一进步有可能改善眼科诊断.
