一种基于弱边缘估计的 OCT 分割多任务神经网络

光学相干断层扫描 （OCT） 提供眼底的高分辨率图像。 这使得医生能够对视网膜健康状况进行全面分析，为诊断和治疗提供坚实的基础。 随着深度学习的发展，基于深度学习的方法在眼底 OCT 图像分割中越来越受欢迎。 然而，这些方法仍然面临两个主要挑战。 首先，深度学习方法对弱边缘很敏感。 其次，注释医学图像数据的高成本导致缺乏标记数据，导致模型训练期间出现过度拟合。 为了应对这些挑战，我们引入了带修剪的多任务注意力机制网络 （MTAMNP），它由分割分支和边界回归分支组成。 边界回归分支利用从截断有序距离函数 （TSDF） 派生的自适应加权损失函数，提高了模型保留弱边缘细节的能力。 基于空间注意力的双分支信息融合模块链接了这些分支，实现了互惠互利。此外，我们提出了一种基于通道关注的结构化修剪方法，以减少参数数量、减轻过拟合并保持分割精度。 我们的方法在两个广泛访问的数据集上超越了其他尖端的分割网络，在 HCMS 和 Duke 数据集上实现了 84.09% 和 93.84% 的 Dice 分数。