Vdmnet: un marco de aprendizaje profundo con convolución dinámica de vasos y fusión multiescala para la segmentación de vasos retinianos
Autores: Xu, Guiwen; Hu, Tao; Zhang, Qinghua
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Vdmnet: un marco de aprendizaje profundo con convolución dinámica de vasos y fusión multiescala para la segmentación de vasos retinianos
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Segmentación de vasos retinianos
OCTA
VDMNet
Módulo FastMHSA
Módulo VDConv
Mecanismo de fusión a múltiples escalas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
La segmentación de los vasos retinianos es crucial para el diagnóstico y monitoreo de enfermedades oftálmicas y sistémicas. La Tomografía de Coherencia Óptica Angiografía (OCTA) permite una imagen detallada de la microvasculatura retiniana, pero los métodos existentes para la segmentación de OCTA enfrentan limitaciones significativas, como la susceptibilidad al ruido, la dificultad para manejar el desequilibrio de clases y los desafíos para segmentar con precisión morfologías vasculares complejas. En este estudio, proponemos VDMNet, una red de segmentación novedosa diseñada para superar estos desafíos mediante la integración de varios componentes avanzados. En primer lugar, presentamos el módulo de Autoatención Rápida de Múltiples Cabezas (FastMHSA) para capturar eficazmente características globales y locales, mejorando la robustez de la red contra fondos complejos e interferencias patológicas. En segundo lugar, el módulo de Convolución Dinámica de Vasos (VDConv) está diseñado para adaptarse dinámicamente a vasos curvos y cruzados, mejorando así la segmentación de morfologías complejas. Además, empleamos el mecanismo de Fusión Multi-Escala (MSF) para agregar características en múltiples escalas, mejorando la detección de vasos finos mientras se mantiene la continuidad vascular. Finalmente, proponemos la Pérdida Tversky Focal Asimétrica Ponderada (WAFT Loss) para abordar problemas de desequilibrio de clases, centrándose en la segmentación precisa de vasos pequeños y difíciles de detectar. El marco propuesto se evaluó en los conjuntos de datos públicos ROSE-1 y OCTA-3M. Los resultados experimentales demostraron que nuestro modelo preservó eficazmente la información de los bordes de los vasos pequeños y logró un rendimiento de vanguardia en la segmentación de vasos retinianos en varias métricas de evaluación. Estas mejoras resaltan la capacidad superior de VDMNet para capturar tanto detalles vasculares finos como la conectividad general de los vasos, convirtiéndolo en una solución robusta para la segmentación de vasos retinianos.
Descripción
La segmentación de los vasos retinianos es crucial para el diagnóstico y monitoreo de enfermedades oftálmicas y sistémicas. La Tomografía de Coherencia Óptica Angiografía (OCTA) permite una imagen detallada de la microvasculatura retiniana, pero los métodos existentes para la segmentación de OCTA enfrentan limitaciones significativas, como la susceptibilidad al ruido, la dificultad para manejar el desequilibrio de clases y los desafíos para segmentar con precisión morfologías vasculares complejas. En este estudio, proponemos VDMNet, una red de segmentación novedosa diseñada para superar estos desafíos mediante la integración de varios componentes avanzados. En primer lugar, presentamos el módulo de Autoatención Rápida de Múltiples Cabezas (FastMHSA) para capturar eficazmente características globales y locales, mejorando la robustez de la red contra fondos complejos e interferencias patológicas. En segundo lugar, el módulo de Convolución Dinámica de Vasos (VDConv) está diseñado para adaptarse dinámicamente a vasos curvos y cruzados, mejorando así la segmentación de morfologías complejas. Además, empleamos el mecanismo de Fusión Multi-Escala (MSF) para agregar características en múltiples escalas, mejorando la detección de vasos finos mientras se mantiene la continuidad vascular. Finalmente, proponemos la Pérdida Tversky Focal Asimétrica Ponderada (WAFT Loss) para abordar problemas de desequilibrio de clases, centrándose en la segmentación precisa de vasos pequeños y difíciles de detectar. El marco propuesto se evaluó en los conjuntos de datos públicos ROSE-1 y OCTA-3M. Los resultados experimentales demostraron que nuestro modelo preservó eficazmente la información de los bordes de los vasos pequeños y logró un rendimiento de vanguardia en la segmentación de vasos retinianos en varias métricas de evaluación. Estas mejoras resaltan la capacidad superior de VDMNet para capturar tanto detalles vasculares finos como la conectividad general de los vasos, convirtiéndolo en una solución robusta para la segmentación de vasos retinianos.