LCNet:用于视网膜成像中的血管细分的轻量级细分网络
Minshan Jiang1, Cuicui Xie1, Shuai Huang1
1Shanghai Key Laboratory of Contemporary Optics System, College of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, People's Republic of China.
Medical engineering & physics
|March 6, 2026
概括
新的深度学习模型LCNet提高了视网膜血管细分的准确性. 这种轻量级的网络有效地处理复杂的病例,为计算机辅助诊断提供了宝贵的工具.
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:
- 准确的视网膜血管细分对于使用计算机辅助方法诊断眼睛疾病至关重要.
- 当前的深度学习模型面临着薄而模糊的边界和高计算成本的挑战.
研究的目的:
- 引入LCNet,一个轻量级的U形网络,旨在高效准确地分隔视网膜血管.
- 解决现有模型在参数数量,计算需求和边界检测方面的局限性.
主要方法:
- 开发了使用深度可分离卷积来减少参数和计算负载的LCNet.
- 集成了一个协同协调的注意模块,用于增强特征学习,以及一个多尺度特征捕获的atrous空间金字塔聚合模块.
- 嵌入了四个侧输出层,以便在培训期间进行额外的监督.
主要成果:
- 在基准数据集上实现了高的全球准确性:96.02% (DRIVE),97.95% (STARE),97.95% (CHASEDB1) 和97.77% (IOSTAR).
- 在DRIVE数据集中,只有265万个参数和21.2个GFLOP的证明效率.
- 在带有病变的 fundus 图像和光学连贯性断层扫描血管图像上展示了有效性.
结论:
- LCNet是一种高效且准确的轻量级模型,用于视网膜血管细分.
- 拟议的架构有效地克服了复杂的边界和资源限制带来的挑战.
- 在计算机辅助的视网膜疾病诊断中,LCNet显示出临床应用的前景.
