通过SEC-UNet精准分割糖尿病视网膜病变眼底OCT图像脉络膜层
目的 糖尿病视网膜病变(DR)是糖尿病的严重并发症,可导致患者视力下降甚至失明.脉络膜的早期检查在DR诊断中起着至关重要的作用.然而,由于DR患者的光学相干层析成像(OCT)中存在脉络膜和巩膜边界模糊、视网膜病变阴影等问题,导致大多数现有算法无法精准分割脉络膜层.本文目的在于提高DR患者OCT图像中脉络膜层分割的精准度.方法 本文提出了一种结合挤压激励连接(SEC)模块和UNet的网络,简称SEC-UNet,不仅增强Unet的局部细节目标关注能力,且能跳出局部最优来增强整体表达能力.结果SEC-UNet模型的ROC曲线下面积(AUC)达到0.993 0,优于传统UNet模型和SE-UNet模型.这表明SEC-UNet能够获得准确、完整的脉络膜层分割结果.统计分析脉络膜参数变化发现,与正常眼相比,87.1%的DR患者脉络膜中央凹1mm内体积增加,这证明了DR很可能导致脉络膜增厚.结论 该技术有望成为一种新的辅助诊断工具,帮助医生研究脉络膜在糖尿病眼病的预防、发病机制和预后中的作用.
糖尿病视网膜病变、脉络膜分割、光学相干层析成像、挤压激励连接UNet
49
R445(诊断学)
2023-02-06(万方平台首次上网日期,不代表论文的发表时间)
共8页
2450-2457