UT-Net：结合 U-Net 与 Transformer 的视盘视杯联合分割与青光眼检测
计算机视觉与模式识别
2023-03-10 v1 人工智能
图像与视频处理
摘要
青光眼是一种可能导致永久性不可逆失明的慢性视觉疾病。杯盘比（CDR）的测量在青光眼的早期检测中起着关键作用，可预防视觉差异。因此，从视网膜眼底图像中准确自动地分割视盘（OD）和视杯（OC）是一项基本需求。现有的基于 CNN 的分割框架诉诸于构建带有激进下采样层的深层编码器，其在建模显式长程依赖方面存在普遍局限。为此，本文提出一种称为 UT-Net 的新分割流程，在其编码层中同时利用 U-Net 与 transformer 的优势，其后接一个注意力门控双线性融合方案。此外，我们引入多头上下文注意力以增强传统视觉 transformer 中使用的常规自注意力。从而以浅层方式捕获低级特征与全局依赖。除此之外，我们在多个编码层提取上下文信息，以更好地探索感受野，并帮助模型学习深层层次表示。最后，提出一种增强的混合损失来紧密监督整体学习过程。所提模型已在三个公开数据集 DRISHTI-GS、RIM-ONE R3 和 REFUGE 上实现 OD 与 OC 的联合分割。另外，为验证我们的方案，我们通过测量杯盘比（CDR）值，在所有三个数据集上进行了详尽的青光眼检测实验。实验结果表明，与最先进的方法相比，UT-Net 具有优越性。
引用
@article{arxiv.2303.04939,
title = {UT-Net: Combining U-Net and Transformer for Joint Optic Disc and Cup Segmentation and Glaucoma Detection},
author = {Rukhshanda Hussain and Hritam Basak},
journal= {arXiv preprint arXiv:2303.04939},
year = {2023}
}