改进的U-Net在OCT视网膜分割中的应用

视网膜眼底图像能够反映出视网膜的剖面形态,从而能够更加精确地对视网膜进行解剖。图层的划分与定量测算对于很多视网膜及视神经的疾病都是非常有用的,因此对眼底图像进行分割具有很强的现实意义。本文利用SENet模块对编码器为Vgg-16的U-Net引入注意力机制,实现了对视网膜眼底图像的精确分割。实验表明,改进的网络在性能上优于其他两个基础模型。

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。

基于EfficientNet的视网膜OCT图像分类方法研究

视网膜OCT图像能够观察到眼底视网膜各层组织及其厚度,为早期眼底疾病筛查提供准确的临床依据,但现有标注样本少导致分类精度较低.针对此问题提出一种基于迁移学习的EfficientNet视网膜OCT图像分类算法.首先,对视网膜OCT图像进行数据增强与预处理操作;其次,将预训练好的EfficientNet-B3模型进行训练,再通过部分过采样和类权重的方法进行微调训练.最终分类准确率可达99.2%,表明该模型具有较高的分类识别准确率,具有一定的临床指导意义.

基于LPQ特征的视网膜OCT图像分类算法

为缓解我国眼科疾病患者多、医生少、医疗压力巨大的国情,提出一种基于局部相位量化(local phase quantization, LPQ)特征的视网膜OCT图像分类算法。首先对图像进行预处理,主要包括对感兴趣区域探测阶段、拟合阶段和切割阶段;其次提取切割后图像的LPQ特征;然后利用PCA方法对其降维;最后,利用SVM进行分类。在Duke视网膜数据集上对算法进行了验证,并和现有文献中提到的LBP特征、Gabor特征及SIFT特征进行了对比研究。实验结果表明,利用LPQ特征可以得到相对更好的分类结果。

基于改进的AG-CNN的视网膜OCT图像的黄斑病变识别方法

本文针对目前应用全局图像训练卷积神经网络可能会受到若干无关噪声区域的影响,易导致视网膜OCT图像黄斑病变识别或诊断错误等问题,提出了一种改进的注意力引导四分支卷积神经网络的视网膜OCT图像黄斑病变识别方法。采用改进注意力引导卷积神经网络框架,通过集成全局分支、局部分支和层分割分支构成融合分支,利用注意力热图对重要区域进行掩膜和训练,减少视网膜OCT图像噪声的干扰和黄斑病变识别错误率,通过与VGG16和IDL2种方法在公开数据集上进行了实验验证比较。结果表明,文中方法在视网膜OCT图像数据集上对于识别准确度和识别性能的提升具有显著性的作用。