DPLSeg:在多个OCT设备上进行视网膜图像的无监督的一般细分模型
Caiye Fan1, Huankai Yu2,3,4, Zuoping Tan1
1Wenzhou University of Technologyxs, Wenzhou, Zhejiang, China.
Biomedical optics express
|February 16, 2026
概括
本研究介绍了双层伪标签学习对细分 (DPLSeg),一种无监督的模型,可以改善光学连贯断层扫描图像中的视网膜层细分. DPLSeg提高了准确性和域名适应性,减少了对早期疾病检测的注释需求.
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:
- 早期发现近视和糖尿病视网膜病变等视网膜疾病至关重要.
- 在光学连贯断层扫描 (OCT) 图像中精确的视网膜层细分对于诊断至关重要.
- 目前的深度学习模型与域名转移和高注释成本作斗争.
研究的目的:
- 开发一个无监督的深度学习模型,用于精确的视网膜层细分.
- 改善跨不同OCT设备的模型概括性,减少对注释的依赖.
- 通过改进的OCT图像分析,加强视网膜疾病的早期检测.
主要方法:
- 针对细分的拟议双层伪标签学习 (DPLSeg).
- 包含一个层次变压器编码器,以增强特征表示和域名适应性.
- 使用无监督学习策略来最大限度地减少注释要求.
主要成果:
- 在3个设备的850张OCT图像上,DPLSeg实现了79.9%的平均交叉与结合 (mIoU).
- 它的表现优于现有的模型,如DeepLab (75.2% mIoU) 和DAFormer.
- 与监督方法相比,注释需求减少了80%.
结论:
- 在OCT图像中,DPLSeg为视网膜层细分提供了强大而准确的解决方案.
- 该模型展示了强大的域适应性,解决了多设备数据带来的挑战.
- DPLSeg为临床诊断和早期视网膜疾病检测提供了一个可扩展和具有成本效益的工具.
