一种具有多维语义增强的 OCT 图像高反射焦点分割网络

A Hyperreflective Foci Segmentation Network for OCT Images with Multi-dimensional Semantic Enhancement

摘要

背景： 糖尿病性黄斑水肿 （DME） 是全球视力丧失的主要原因。光学相干断层扫描 （OCT） 因其非侵入性和高分辨率横截面视图而成为一种被广泛接受的诊断 DME 的成像工具。OCT 中高反射病灶 （HRF） 的临床评估有助于了解 DME 的起源并预测疾病进展或治疗效果。然而，HRF 中有限的信息和前景与背景之间的显著不平衡对其在 OCT 图像中的精确分割提出了挑战。
目的： 提出了一种基于注意力机制的多维语义增强网络 （MUSE-Net） 用于 HRF 分割，以应对这些挑战。
方法： MUSENet 包括基于注意力的多维语义信息增强模块和类不平衡不敏感的关节损失。自适应区域引导模块在切片中软分配区域重要性，丰富了单切片语义信息。相邻切片引导模块利用连续切片的远程信息，丰富了多维语义信息。类别不平衡不敏感损失 将像素级感知优化与图像级考虑相结合，减轻了模型训练过程中背景的梯度优势。
结果： 实验结果表明，MUSE-Net 分别在两个数据集上优于现有方法。
代码地址

方法

所提出的 MUSE-Net 包括一个选择性区域编码器、相邻切片引导模块和一个语义解码器，如图 1 所示。选择性区域编码器由五个层组成，先进行卷积，然后是 SEM，而语义解码器由五个对称层组成，先进行上采样，然后进行卷积。相邻的 slice guidance 模块包含 5 个 MEM，位于编码器和解码器之间的 skip 连接处。将基于像素级感知优化和图像级考虑的联合损失函数应用于网络训练。

实验结果