DynSegNet：面向眼底图像出血病灶分割的对抗学习动态架构调整
计算机视觉与模式识别
2025-02-14 v1 人工智能
摘要
出血性病灶分割在眼科诊断中起着关键作用，直接影响疾病的早期发现、治疗计划和疗效评估。然而，由于病灶形态多变、边界不清以及与背景组织对比度低，该任务面临重大挑战。为了提高诊断准确性和治疗效果，开发先进的分割技术仍然势在必行。本文提出了一种基于对抗学习的动态架构调整方法，该方法集成了分层 U 形编码器-解码器、残差块、注意力机制和 ASPP 模块。通过动态优化特征融合，我们的方法提升了分割性能。实验结果显示，Dice 系数为 0.6802，IoU 为 0.5602，召回率为 0.766，精确率为 0.6525，准确率为 0.9955，有效应对了眼底图像出血分割中的挑战。[* 通讯作者。]
引用
@article{arxiv.2502.09256,
title = {DynSegNet:Dynamic Architecture Adjustment for Adversarial Learning in Segmenting Hemorrhagic Lesions from Fundus Images},
author = {Zesheng Li and Minwen Liao and Haoran Chen and Yan Su and Chengchang Pan and Honggang Qi},
journal= {arXiv preprint arXiv:2502.09256},
year = {2025}
}
备注
12 pages,4 figures