MTNet: Un marco multi-escala que utiliza el bloque Transformer para la segmentación de capas de retina

Las variaciones en el grosor de las capas retinianas sirven como indicadores diagnósticos tempranos para varias enfermedades del fondo de ojo, y la segmentación precisa de estas capas es esencial para medir adecuadamente su grosor. La Tomografía de Coherencia Óptica (OCT) es una herramienta no invasiva importante para diagnosticar diversas enfermedades oculares a través de la adquisición y estratificación de imágenes retinianas. Sin embargo, el ruido y los artefactos en las imágenes presentan desafíos significativos para segmentar con precisión las capas retinianas. Proponemos un método novedoso para la segmentación de capas retinianas que aborda estos problemas. Este método utiliza ConvNeXt como la red principal para mejorar la extracción de características multi-escala e incorpora un módulo Transformer-CNN para mejorar las capacidades de procesamiento global. Este método ha alcanzado la mayor precisión de segmentación en el conjunto de datos Retina500, con una media de Intersección sobre Unión (mIoU) del 81.26% y una precisión (Acc) del 91.38%, y ha mostrado excelentes resultados en el conjunto de datos público NR206.