RetiFluidNet：一种用于视网膜 OCT 液体分割的自适应多注意力深度卷积网络
图像与视频处理
2022-12-15 v2 计算机视觉与模式识别
摘要
光学相干断层扫描（OCT）帮助眼科医生以微观分辨率评估黄斑水肿、液体积聚和病变。视网膜液体的量化对于 OCT 引导的治疗管理是必要的，其依赖于精确的图像分割步骤。由于视网膜液体的手动分析是一项耗时、主观且易出错的任务，对快速且鲁棒的自动解决方案的需求日益增长。在本研究中，提出了一种名为 RetiFluidNet 的新型卷积神经架构用于多类视网膜液体分割。该模型利用新的自适应双注意力（SDA）模块、多个基于自适应注意力的跳跃连接（SASC）以及一种新颖的多尺度深度自监督学习（DSL）方案，从纹理、上下文和边缘特征的分层表示学习中获益。所提 SDA 模块中的注意力机制使模型能够自动提取不同层级上形变感知的表示，而引入的 SASC 路径进一步考虑空间-通道相互依赖关系以拼接对应的编码器和解码器单元，从而提升表示能力。RetiFluidNet 还使用由加权 dice 重叠损失和保边基于连通性的损失组成的联合损失函数进行优化，其中多尺度局部损失的若干分层阶段被整合进优化过程。该模型基于三个公开可用数据集进行验证：RETOUCH、OPTIMA 和 DUKE，并与若干基线方法进行比较。在数据集上的实验结果证明了所提模型在视网膜 OCT 液体分割中的有效性，并揭示出所建议的方法在适应各种图像扫描仪器记录的视网膜 OCT 扫描方面比现有的 SOTA 液体分割算法更有效。
引用
@article{arxiv.2209.12468,
title = {RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional Network for Retinal OCT Fluid Segmentation},
author = {Reza Rasti and Armin Biglari and Mohammad Rezapourian and Ziyun Yang and Sina Farsiu},
journal= {arXiv preprint arXiv:2209.12468},
year = {2022}
}
备注
11 pages, Early Access Version, IEEE Transactions on Medical Imaging