RIP-AV:使用上下文感知网络进行视网膜动脉/静脉分割的联合代表性实例预训练

文章目录

  • [RIP-AV: Joint Representative Instance Pre-training with Context Aware Network for Retinal Artery/Vein Segmentation](#RIP-AV: Joint Representative Instance Pre-training with Context Aware Network for Retinal Artery/Vein Segmentation)

RIP-AV: Joint Representative Instance Pre-training with Context Aware Network for Retinal Artery/Vein Segmentation

摘要

背景: 基于深度学习的视网膜动脉和静脉 (A/V) 准确分割可以改进眼底疾病和全身性疾病的诊断、监测和管理。然而,由于背景与 A/V 比率不平衡和上下文有限,现有的调整大小和基于贴片的算法面临着冗余、忽略薄血管以及在视网膜图像的低对比度边缘区域表现不佳等挑战。
目的: 开发了一种用于视网膜 A/V 分割的新型深度学习框架,名为 RIP-AV,它首次将代表性实例预训练 (RIP) 任务与用于视网膜 A/V 分割的上下文感知网络集成在一起。
方法: 最初,我们开发了一种直接而有效的血管patch对选择 (PPS) 算法,然后引入了一个 RIP 任务,该任务被表述为多标签问题,旨在增强网络从血管补片的不同空间位置学习潜在动静脉特征的能力。随后,在训练阶段,我们介绍了两个新颖的模块:Patch Context Fusion (PCF) 模块和距离感知 (DA) 模块。它们旨在通过协同和互补地利用血管斑块与其周围环境之间的关系,提高细血管的辨别力和连续性,尤其是在低对比度边缘区域。
结果: RIP-AV 的有效性已在三个公开可用的视网膜数据集上得到验证:AV-DRIVE、LES-AV 和 HRF,分别显示出 0.970、0.967 和 0.981 的显着准确性,从而优于现有的最先进的方法。值得注意的是,我们的方法在 HRF 数据集上的准确性显着提高了 1.7%,特别是增强了细边缘动脉和静脉的分割
代码地址

方法

  1. 预训练任务(RIP):所有随机裁剪的斑块分为四类:Pa(仅动脉)、Pv(仅静脉)、Pav(包含动脉和静脉)和 Pb (无血管结构),PPS 被设计成排除 Pb,从而提高训练集的特异性
  2. 从卷积神经网络 (CNN) 在浅层捕获边缘细节的先天能力中汲取灵感,设计了 DA 模块,该模块由一系列卷积层组成,通过提炼 浅层特征图来增强对血管边缘的感知。
  3. PCF 包括两条主要路径,分别处理局部patch特征映射及其上下文特征映射 ,结合注意力和交叉注意力

实验结果



相关推荐
liulilittle4 小时前
C++ TAP(基于任务的异步编程模式)
服务器·开发语言·网络·c++·分布式·任务·tap
guts°8 小时前
17-VRRP
网络·智能路由器
Jewel Q8 小时前
动态路由协议基础
网络·智能路由器
宇称不守恒4.08 小时前
2025暑期—06神经网络-常见网络2
网络·人工智能·神经网络
Dreams_l9 小时前
网络编程2(应用层协议,传输层协议)
运维·服务器·网络
数据与人工智能律师9 小时前
数字迷雾中的安全锚点:解码匿名化与假名化的法律边界与商业价值
大数据·网络·人工智能·云计算·区块链
先知后行。9 小时前
网络协议HTTP、TCP(草稿)
网络·网络协议
xzkyd outpaper9 小时前
QUIC协议如何在UDP基础上解决网络切换问题
网络·计算机网络·udp·quic
碳酸的唐10 小时前
Inception网络架构:深度学习视觉模型的里程碑
网络·深度学习·架构
Jewel Q10 小时前
VRRP技术
网络·智能路由器