2、视网膜OCT分割与糖尿病视网膜病变检测的深度学习方法

视网膜OCT分割与糖尿病视网膜病变检测的深度学习方法

1. 视网膜OCT层分割研究

1.1 研究背景与目标

视网膜OCT（光学相干断层扫描）层分割在眼科疾病诊断中具有重要意义。研究旨在提出一种新颖的、端到端可训练的注意力模型，用于视网膜OCT分割，以提高分割结果，并增加与层厚度变化结果相关的临床试验的统计效力。

1.2 实验设置

• 模型选择 ：为了验证模型无关的LROA（局部区域注意力）模块的有效性，选择了在视网膜OCT分割任务中表现良好的模型，包括U - Net、SegNet、DRUNET和ReLayNet，还加入了最先进的注意力增强网络Attention - Unet作为基线模型。以这些模型为骨干网络，分别得到LROA - U、LROA - S、LROA - D和LROA - R。此外，还实现了两种不同内核大小的LROA - S变体，即LROA - SL和LROA - SVL。
• 实验数据 ：为了量化相对诊断精度、重复性和重测变异性，独立测试了一层（RNFL），在RAPID和COMPASS研究中比较预测的RNFL厚度与真实值。为了展示方法的分割改进，在Duke数据集上分割所有层，但不包括流体区域（由于训练图像数量有限）。所有实验都是患者独立的。
• 训练过程 ：
  1. 将所有图像调整为512 × 512大小。
  2. 使用通道比率修改、水平和垂直翻转以及高斯和散斑噪声损坏等方法，以随机概率对训练图像进行增强。