增强眼底图像病变分割的混合方法
计算机视觉与模式识别
2026-04-16 v2 人工智能
机器学习
摘要
脉络膜痣是眼中常见的良性色素性病变，存在转化为黑色素瘤的小风险。早期检测对提高生存率至关重要，但误诊或延迟诊断可能导致不良预后。尽管基于人工智能的图像分析取得了进展，但在彩色眼底图像中诊断脉络膜痣仍然具有挑战性，特别是对于没有专业知识的临床医生。现有数据集通常存在分辨率低和标注不一致的问题，限制了分割模型的有效性。本文解决了精确分割眼底病变的挑战，这是开发稳健诊断工具的关键步骤。虽然 U-Net 等深度学习模型已证明有效，但其准确性严重依赖标注数据的质量和数量。先前的数学/聚类分割方法虽然准确，但需要大量人工输入，使其不适用于医学应用。本文提出了一种将数学/聚类分割模型与 U-Net 洞察相结合的新方法，利用了两种方法的优势。这种混合模型提高了准确性，减少了对大规模训练数据的需求，并在高分辨率眼底图像上取得了显著的性能提升。所提出的模型在 1024×1024 眼底图像上实现了 89.7% 的 Dice 系数和 80.01% 的 IoU，优于 Attention U-Net 模型（分别为 51.3% 和 34.2%）。它在外部数据集上也表现出更好的泛化能力。本工作是开发脉络膜痣诊断决策支持系统的一部分，具有潜在应用，包括自动病变标注以提高诊断和监测的速度与准确性。
引用
@article{arxiv.2509.25549,
title = {Hybrid Approach for Enhancing Lesion Segmentation in Fundus Images},
author = {Mohammadmahdi Eshragh and Emad A. Mohammed and Behrouz Far and Ezekiel Weis and Carol L Shields and Sandor R Ferenczy and Trafford Crump},
journal= {arXiv preprint arXiv:2509.25549},
year = {2026}
}