-
题名面向白内障识别的临床特征校准注意力网络
被引量：1
- 1
-
-
作者
章晓庆
肖尊杰
赵宇航
巫晓
东田理沙
刘江
-
机构
南方科技大学计算机科学与工程系
南方科技大学斯发基斯可信自主系统研究院
Tomey公司
南方科技大学广东省类脑智能计算重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第3期321-330,共10页
-
基金
国家自然科学基金(82272086)
广东省普通高校重点领域专项基金(202DZX3043)
+2 种基金
广东省重点实验室项目(2020B121201001)
国家教育部国家级大学生创新创业训练计划(202114325011)
广东省教育厅教改项目(SJJG202002)。
-
文摘
近年来,卷积神经网络(convolutional neural network,CNN)模型已经被广泛用于年龄相关性白内障自动分类任务,然而,鲜有研究工作将年龄相关性白内障的临床先验知识注入卷积神经网络架构设计中,以此来提高年龄相关性白内障的分类效果和改善模型决策过程的可解释性。提出了一种临床特征校准注意力网络(clinical feature recalibration attention network,CFANet)模型用于自动识别年龄相关性白内障严重级别。在CFANet中,设计了一个简单且有效的临床特征校准注意力模块(clinical feature recalibration attention block,CFA),其不仅能对不同临床特征类型进行自适应地加权融合,还通过门控操作符来突出重要通道和抑制不重要通道。在一个核性白内障的眼前节光学相干断层成像影像(anterior segment optical coherence tomography,AS-OCT)数据集和一个公开眼科影像数据集上进行了充分实验,实验结果表明,相较于squeeze-and-excitation network(SENet)、efficient channel network(ECANet)、style-based recalibration module(SRM),CFANet在AS-OCT数据集上的分类准确率至少提升了3.54个百分点,同时在公开的眼科影像数据集上的分类结果比先进的神经网络模型和已发表的研究工作提升了1个百分点以上。此外,还通过可视化方法分析临床特征的权重分布和通道的注意力权重分布来提高该文模型决策过程的可解释性。
-
关键词
年龄相关性白内障分类
眼前节光学相干断层成像
临床特征校准注意力模块
可解释性
卷积神经网络
可视化
-
Keywords
age-related cataract classification
anterior segment optical coherence tomography(AS-OCT)
clinical-feature recalibration attention
interpretability
convolutional neural network(CNN)
visualization
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于U-Net多尺度自校准注意力视网膜分割算法
被引量：5
- 2
-
-
作者
梁礼明
陈鑫
周珑颂
余洁
-
机构
江西理工大学电气工程与自动化学院
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第3期943-948,共6页
-
基金
国家自然科学基金资助项目(51365017,61463018)
江西省自然科学基金资助项目(20192BAB205084)
江西省教育厅科学技术研究重点项目(GJJ170491)。
-
文摘
针对视网膜细小血管分割精度低的问题,提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块,先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制,利用多尺度挤压激励模块,自适应对特征图通道和空间之间特征重要性进行校准,增强目标区域特征响应,抑制背景噪声。最后使用Transformer特征提取块,提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明,所提算法准确率分别为96.49%和96.67%,灵敏度分别为83.75%和83.30%,特异性分别为98.28%和98.01%,AUC分别为0.987 1和0.987 2,所提算法的整体性能优于现有算法,各模块能够有效提高细小血管分割能力。
-
关键词
视网膜分割
可伸缩级联模块
自校准注意力
Transformer特征提取
多尺度挤压激励模块
-
Keywords
retinal vessel segmentation
retractable cascade module
self-calibrating attention
Transformer module
multi-scale squeeze-and-excitation
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名平衡多尺度注意力网络的视网膜血管分割算法
被引量：2
- 3
-
-
作者
梁礼明
余洁
陈鑫
周珑颂
冯新刚
-
机构
江西理工大学电气工程与自动化学院
江西理工大学应用科学学院机电工程系
-
出处
《计算机工程与设计》
北大核心
2023年第2期480-487,共8页
-
基金
国家自然科学基金项目(51365017、61463018)
江西省自然科学基金面上基金项目(20192BAB205084)
江西省教育厅科学技术研究重点基金项目(GJJ170491)。
-
文摘
针对现有算法对微血管分割精度低、难以区分病灶区域等问题,提出一种平衡多尺度注意力网络用于分割视网膜血管。在编码阶段引入多尺度特征提取模块,提升感受野减少血管细节特征损失;在编码和解码器间增加细节增强模块,突出目标区域提高信息敏感度;设计平衡尺度注意力模块调节细节和语义特征进行最终预测,减少伪影现象。实验结果表明,在DRIVE数据集上分割准确率为96.42%、灵敏度为83.17%、特异性为98.27%,优于现有其它算法。
-
关键词
图像处理
血管分割
空洞卷积
多尺度特征融合
校准残差模块
细节增强模块
注意力机制
-
Keywords
image processing
blood vessel segmentation
cavity convolution
multi-scale feature fusion
calibration residual module
detail enhancement module
attention mechanism
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
