改进U-Net的视网膜OCT图像分层方法研究

视网膜光学相干断层扫描(OCT)图像各细胞层的厚度和形状在诊断眼科疾病中具有重要意义。目前,视网膜分层研究存在许多挑战,例如,层边界缺乏上下文语义信息、病变区域分割不精确等。为了提高OCT成像中视网膜层分割和测量的精度,提出了一种融合密集编码器与位置注意力的U型网络方法。该方法的密集编码器能够提取更多样化的全局特征,利用位置注意力保证了视网膜目标边界和区域空间的一致性。与现有经典分割模型相比,该方法的视网膜自动分层平均准确率达到了87.35%,平均厚度误差减少至1.74个像素点,大大提升了视网膜OCT分层的性能。