DEFN: Dual-Encoder Fourier Group Harmonics Network for Three-Dimensional Macular Hole Reconstruction with Stochastic Retinal Defect Augmentation and Dynamic Weight Composition

要約

黄斑円孔の空間的および定量的パラメーターは、診断、手術の選択、および術後のモニタリングに不可欠です。
黄斑円孔の診断と治療は空間的および定量的データに大きく依存していますが、そのようなデータが不足しているため、効果的なセグメンテーションとリアルタイム 3D 再構成のための深層学習技術の進歩が妨げられています。
この課題に対処するために、私たちは黄斑円孔増強のための網膜 OCT (ROME-3914) と網膜セグメンテーションのための包括的アーカイブ (CARS-30k) という世界最大の黄斑円孔データセットを構築し、どちらも専門家による注釈が付けられました。
さらに、革新的な 3D セグメンテーション ネットワークであるデュアル エンコーダ FuGH ネットワーク (DEFN) を開発しました。これは、フーリエ群高調波 (FuGH)、簡易 3D 空間アテンション (S3DSA)、およびハーモニック スクイーズおよび励起モジュールの 3 つの革新的なモジュールを統合します (
HSE）。
これら 3 つのモジュールは相乗的にノイズをフィルタリングし、計算の複雑さを軽減し、詳細な特徴を強調し、ネットワークの表現能力を強化します。
また、DEFN のパフォーマンスをさらに向上させるために、新しいデータ拡張手法である Stochastic Retinal Defect Injection (SRDI) とネットワーク最適化戦略 DynamicWeightCompose (DWC) を提案しました。
13 のベースラインと比較して、当社の DEFN は最高のパフォーマンスを示しています。
また、当社は正確な 3D 網膜再構成と定量的指標を提供し、眼科医に革新的な診断および治療上の意思決定ツールをもたらし、治療が難しい黄斑変性症の診断と治療のパターンを完全に変えることが期待されています。
ソース コードは https://github.com/IIPL-HangzhouDianUniversity/DEFN-Pytorch で公開されています。

要約(オリジナル)

The spatial and quantitative parameters of macular holes are vital for diagnosis, surgical choices, and post-op monitoring. Macular hole diagnosis and treatment rely heavily on spatial and quantitative data, yet the scarcity of such data has impeded the progress of deep learning techniques for effective segmentation and real-time 3D reconstruction. To address this challenge, we assembled the world’s largest macular hole dataset, Retinal OCTfor Macular Hole Enhancement (ROME-3914), and a Comprehensive Archive for Retinal Segmentation (CARS-30k), both expertly annotated. In addition, we developed an innovative 3D segmentation network, the Dual-Encoder FuGH Network (DEFN), which integrates three innovative modules: Fourier Group Harmonics (FuGH), Simplified 3D Spatial Attention (S3DSA) and Harmonic Squeeze-and-Excitation Module (HSE). These three modules synergistically filter noise, reduce computational complexity, emphasize detailed features, and enhance the network’s representation ability. We also proposed a novel data augmentation method, Stochastic Retinal Defect Injection (SRDI), and a network optimization strategy DynamicWeightCompose (DWC), to further improve the performance of DEFN. Compared with 13 baselines, our DEFN shows the best performance. We also offer precise 3D retinal reconstruction and quantitative metrics, bringing revolutionary diagnostic and therapeutic decision-making tools for ophthalmologists, and is expected to completely reshape the diagnosis and treatment patterns of difficult-to-treat macular degeneration. The source code is publicly available at: https://github.com/IIPL-HangzhouDianUniversity/DEFN-Pytorch.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google