OptiModNet: A UNet-Transformer Hybrid with Grouped-Query and Channel Attention for Optic Disc and Cup Segmentation
本文介绍了 OptiModNet，这是一种轻量级的 UNet-Transformer 混合架构，结合了分组查询（grouped-query）和通道注意力机制以及聚合金字塔损失（Aggregated Pyramid Loss），在保持高计算效率的同时，在 REFUGE2 数据集的视盘和视杯分割任务上实现了最先进的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
青光眼是全球范围内导致不可逆失明的主要原因之一，它通常在没有早期症状的情况下悄然发展。由于这种损伤是永久性的，因此在疾病早期阶段将其发现至关重要。医生依靠检查眼底来进行诊断，特别是观察两个圆形结构：视盘（神经进入眼睛的地方）和视杯（视盘内部的一个较小的凹陷）。通过测量视杯相对于视盘的大小，临床医生可以计算出一个比例，这可以作为该疾病的重要预警信号。然而，手工绘制这些边界既困难、耗时，又容易产生人为误差，尤其是在图像模糊或对比度较低的情况下。为了解决这个问题，科学家们转向了人工智能，教计算机自动识别这些结构。虽然目前的计算机程序可以做到这一点，但最准确的模型往往过于沉重且复杂，需要强大的昂贵硬件才能运行，这使得它们难以在追求速度和简洁性的日常诊所或大规模筛查项目中应用。
一个研究小组开发了一种平衡了高精度与轻量化的新方法，创建了一个名为 OptiModNet 的系统。他们的目标是构建一个既能看到眼部解剖结构的全局图景，又能注意到边缘微小细节的模型，且不需要超级计算机来运行。他们通过结合两种不同类型的人工智能架构实现了这一目标。其中一种被称为 UNet 的类型非常擅长捕捉局部细节和边缘，就像一个人近距离观察地图上的某个特定部分一样。另一种基于 Transformer 的类型则更擅长理解大局以及图像中不同部分在长距离上的相互关系。以往尝试将这两者结合的做法往往会导致模型仍然过于沉重或复杂。本研究中的研究人员通过引入两项具体的改进，优化了这种混合过程。首先，他们改变了模型在“思考”层处理信息的方式，通过将问题进行分组，显著减少了所需的计算量。其次，他们在解码层添加了一个机制，帮助模型专注于最重要的特征并忽略那些不太有用的特征，从而使视盘和视杯的最终轮廓更加清晰。
为了训练这个新系统，研究人员使用了一个名为 REFUGE2 的大型视网膜图像集，其中包含数千张带有专家绘制边界的眼部扫描图像。他们还在第二个数据集 ORIGA 上测试了他们的模型，以确保它在不同类型的图像上都能表现良好。结果令人瞩目。在第一个数据集上，新模型正确识别视盘的分数达到了 99.45%，识别视杯的分数达到了 93.23%，比之前的最佳方法高出 2.5% 以上。在第二个数据集上，它取得了该特定测试中有史以来报道过的最高准确率。或许更重要的一点是，该模型具有极高的效率。它仅需 193 万个参数即可运行，这比最复杂的竞争模型少了大约 96%。在计算能力方面，它仅使用 3.73 GFLOPs，仅为其他顶尖系统所需能量的一小部分。这意味着该模型有可能在标准医疗设备上运行，而不是需要专门的高端服务器。
研究人员还测试了设计的每个部分是如何对最终成功做出贡献的。他们发现，单独添加分组机制和增强聚焦特征层都会提高结果，但将两者结合使用时效果最好。他们还引入了一种新的模型训练教学方法，该方法会在学习的多个不同阶段检查模型的进度，而不仅仅是在结束时。这种方法帮助模型学习得更加一致，并产生更平滑、更准确的边界。当他们将新模型的视觉输出与其他系统进行比较时，即使在血管穿过区域或光照不均匀的困难情况下，新模型生成的轮廓也与专家绘制的真实情况吻合得更加紧密。研究结论指出，通过仔细融合这些不同的技术，可以创造出一种既高度准确又足够轻量化以供广泛使用的工具。这一进展表明，高质量、自动化的青光眼筛查很快就能在资源有限的环境中成为现实，从而有可能为更多人挽救视力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。