结合领域特定增强与分辨率无关自注意力机制改进光学相干断层扫描图像中的脉络膜分割

脉络膜是眼睛的关键血管层，为视网膜感光细胞供氧。非侵入性增强深度成像光学相干断层扫描（EDI-OCT）最近改善了对脉络膜的访问和可视化，使其成为在眼科和更广泛的全身健康中发现新型血管生物标志物的令人兴奋的前沿领域。然而，当前测量脉络膜的方法通常需要使用多个独立的半自动和基于深度学习的算法，这些算法并未开源。此前，Choroidalyzer——一种开源、全自动的深度学习方法，在来自385只眼睛的5,600张OCT B扫描上训练——被开发用于完全分割和量化EDI-OCT图像中的脉络膜，从而解决了这些问题。使用相同的数据集，我们提出了一种鲁棒、分辨率无关且高效的基于注意力的脉络膜分割网络（REACH）。REACHNet利用多分辨率训练和领域特定数据增强来促进泛化，并使用轻量级架构和分辨率无关的自注意力机制，不仅比Choroidalyzer之前的网络更快（在标准笔记本电脑CPU上4张图像/秒 vs. 2.75张图像/秒），而且由于改进的超参数配置和模型训练流程，在分割脉络膜区域、血管和中央凹方面具有更高的性能（区域Dice系数0.9769 vs. 0.9749，血管0.8612 vs. 0.8192，中央凹0.8243 vs. 0.3783）。REACHNet可以作为原始模型的即插即用替代品与Choroidalyzer一起使用，并将在发表后提供。