Совершенствование нейронной сети Unet для сегментации кровеносных сосудов сетчатки
Аннотация
В данном исследовании представлен процесс разработки и оценки усовершенствованной нейросетевой модели GCD-UNet для сегментации кровеносных сосудов сетчатки. Методология включает в себя такие методы предварительной обработки, как CLAHE, Габор и серая фильтрация для улучшения качества изображения, а затем модифицированную архитектуру U-сети, включающую слой Dropout для лучшего обобщения. Метрика Accuracy составила 0,954, AUC - 0,942, а коэффициент Дайса - 0,770. Эти результаты свидетельствуют о значительном улучшении идентификации пикселей сосудов и их совпадении с масками, полученными в результате исследования. Несмотря на высокий показатель Recall (0,932), точность модели (0,562) говорит о необходимости дальнейшей оптимизации для уменьшения количества ложных срабатываний. Для повышения точности сегментации, особенно для сложных изображений с тонкими сосудами, предлагается гибридный подход к постобработке, сочетающий автоматическую сегментацию с ручными корректировками. Будущие исследования должны быть направлены на повышение точности и решение проблем сегментации в областях с высокой сложностью для дальнейшего повышения диагностической эффективности и сокращения ручного труда в клинических условиях.
This study presents the process of development and evaluation of an enhanced neural network model, GCD-UNet, for the segmentation of retinal blood vessels. The methodology involved preprocessing techniques like CLAHE, Gabor, and gray filtering to improve image quality, followed by a modified U-Net architecture incorporating a Dropout layer for better generalization. The model achieved an accuracy of 0.954, an AUC of 0.942, and a Dice coefficient of 0.770. These results indicate significant improvements in vessel pixel identification and overlap with ground truth masks. Despite high recall (0.932), the model's precision (0.562) suggests a need for further optimization to reduce false positives. A hybrid post-processing approach, combining automatic segmentation with manual adjustments, is proposed to enhance segmentation accuracy, particularly for complex images with thin vessels. Future research should focus on refining precision and addressing segmentation challenges in highcomplexity regions to further improve diagnostic efficacy and reduce manual labor in clinical settings.
This study presents the process of development and evaluation of an enhanced neural network model, GCD-UNet, for the segmentation of retinal blood vessels. The methodology involved preprocessing techniques like CLAHE, Gabor, and gray filtering to improve image quality, followed by a modified U-Net architecture incorporating a Dropout layer for better generalization. The model achieved an accuracy of 0.954, an AUC of 0.942, and a Dice coefficient of 0.770. These results indicate significant improvements in vessel pixel identification and overlap with ground truth masks. Despite high recall (0.932), the model's precision (0.562) suggests a need for further optimization to reduce false positives. A hybrid post-processing approach, combining automatic segmentation with manual adjustments, is proposed to enhance segmentation accuracy, particularly for complex images with thin vessels. Future research should focus on refining precision and addressing segmentation challenges in highcomplexity regions to further improve diagnostic efficacy and reduce manual labor in clinical settings.