-
题名多区域融合注意力网络模型下的核性白内障分类
被引量:4
- 1
-
-
作者
章晓庆
肖尊杰
东田理沙
陈婉
胡衍
袁进
刘江
-
机构
南方科技大学计算机科学与工程系
tomey株式会社
中山大学中山眼科中心
中国科学院宁波材料技术与工程研究所慈溪生物医学工程研究所
广东省类脑智能计算重点实验室
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第3期948-960,共13页
-
基金
国家自然科学基金项目(8210072776)
广东省普通高校重点领域专项基金项目(202DZX3043)
广东省重点实验室项目(2020B121201001)。
-
文摘
目的核性白内障是主要致盲和导致视觉损害的眼科疾病,早期干预和白内障手术可以有效改善患者的视力和生活质量。眼前节光学相干断层成像图像(anterior segment optical coherence tomography,AS-OCT)能够非接触、客观和快速地获取白内障混浊信息。临床研究已经发现在AS-OCT图像中核性白内障严重程度与核性区域像素特征,如均值存在强相关性和高可重复性。但目前基于AS-OCT图像的自动核性白内障分类工作较少且分类结果还有较大提升空间。为此,本文提出一种新颖的多区域融合注意力网络(multi-region fusion attention network,MRA-Net)对AS-OCT图像中的核性白内障严重程度进行精准分类。方法在提出的多区域融合注意力模型中,本文设计了一个多区域融合注意力模块(multi-region fusion attention,MRA),对不同核性区域特征表示进行融合来增强分类结果;另外,本文验证了以人和眼为单位的AS-OCT图像数据集拆分方式对核性白内障分类结果的影响。结果在一个自建的AS-OCT图像数据集上结果表明,本文模型的总体分类准确率为87.78%,比对比方法至少提高了1%。在10种分类算法上的结果表明:以眼为单位的AS-OCT数据集优于以人为单位的AS-OCT数据集的分类结果,F1和Kappa评价指标分别最大提升了4.03%和8%。结论本文模型考虑了特征图不同区域特征分布的差异性,使核性白内障分类更加准确;不同数据集拆分方式的结果表明,考虑到同一个人两只眼的核性白内障严重程度相似,建议白内障的AS-OCT图像数据集拆分以人为单位。
-
关键词
核性白内障分类
眼前节光学相干断层成像图像(AS-OCT)
多区域融合注意力模块
深度学习
核性区域
-
Keywords
nuclear cataract classification
anterior segment optical coherence tomography(AS-OCT)image
multi-region fusion attention block
deep learning
nucleus region
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名生成对抗式网络及其医学影像应用研究综述
被引量:7
- 2
-
-
作者
张颖麟
胡衍
东田理沙
刘江
-
机构
南方科技大学
tomey株式会社
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第3期687-703,共17页
-
基金
广东省教育厅普通高校重点领域专项项目(2020ZDZX3043)
深圳市基础研究项目(JCYJ20200109140820699)
+1 种基金
深圳市稳定支持项目(20200925174052004)
广东省重点实验室项目(2020B121201001)。
-
文摘
生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强。该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景。本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考。1)阐述了生成对抗式网络的基本原理,从任务拆分、条件约束以及图像到图像的翻译等角度对其衍生模型进行分析回顾;2)对生成对抗式网络在医学影像领域中的数据增广、模态迁移、图像分割以及去噪等方面的应用进行回顾,分析各方法的优缺点与适用范围;3)对现有图像生成质量评估方法进行小结;4)总结生成对抗式网络在医学影像领域的研究进展,并结合该领域问题特性,指出现有理论应用存在的不足与改进方向。生成对抗式网络提出以来,理论不断完善,在医学影像的处理应用中也取得了长足发展,但仍然存在一些亟待解决的问题,包括3维数据合成、几何结构合理性保持、无标记和未配对数据使用以及多模态数据交叉应用等。
-
关键词
生成对抗式网络(GAN)
医学影像
深度学习
数据增广
模态迁移
图像分割
图像去噪
-
Keywords
generative adversarial network(GAN)
medical image
deep learning
data augmentation
modality migration
image segmentation
image denoising
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-