Key points are not available for this paper at this time.
La rétinopathie diabétique (RD), une cause principale de cécité chez les patients diabétiques, nécessite la segmentation précise des lésions pour le classement efficace des lésions. La segmentation multi-lésionnelle de la RD fait face aux principales préoccupations suivantes. D'une part, les lésions rétiniennes varient en localisation, forme et taille. D'autre part, les modèles de segmentation de régions multi-lésionnels actuellement disponibles sont insuffisants dans leur extraction de caractéristiques minute et sont susceptibles de négliger les microanévrismes. Pour résoudre ces problèmes, nous proposons une nouvelle méthode d'apprentissage profond : le réseau de mécanisme de porte d'attention spatiale multi-échelle (MSAG). Le modèle prend en entrée des images de différentes échelles afin d'extraire une gamme d'informations sémantiques. Notre innovative Porte d'Attention Spatiale fusionne les détails spatiaux de bas niveau avec le contenu sémantique de haut niveau, assignant des poids d'attention hiérarchiques pour une segmentation précise. L'incorporation de la porte d'attention spatiale modifiée dans la phase d'inférence améliore la précision en combinant hiérarchiquement les échelles de prédiction, améliorant ainsi la précision de segmentation sans augmenter les coûts d'entraînement associés. Nous effectuons les expériences sur les ensembles de données publics IDRiD et DDR, et les résultats expérimentaux montrent que la méthode proposée atteint de meilleures performances que d'autres méthodes.
Xu et al. (Jeu,) ont étudié cette question.