Segmentación de capas retinianas liviana con razonamiento global

La segmentación automática de capas retinianas con imágenes médicas, como las imágenes de tomografía de coherencia óptica (OCT), sirve como una herramienta importante para diagnosticar enfermedades oftálmicas. Sin embargo, es un desafío lograr una segmentación precisa debido al bajo contraste y al ruido del flujo sanguíneo presente en las imágenes. Además, el algoritmo debe ser liviano para ser desplegado en aplicaciones clínicas prácticas. Por lo tanto, se desea diseñar una red liviana con alto rendimiento para la segmentación de capas retinianas. En este documento, proponemos LightReSeg para la segmentación de capas retinianas que puede aplicarse a imágenes OCT. Específicamente, nuestro enfoque sigue una estructura de codificador-decodificador, donde la parte del codificador emplea extracción de características multiescala y un bloque Transformer para explotar completamente la información semántica de los mapas de características en todas las escalas y hacer que las características tengan mejores capacidades de razonamiento global, mientras que en la parte del decodificador, diseñamos un módulo de atención asimétrica multiescala (MAA) para preservar la información semántica en cada escala del codificador. Los experimentos muestran que nuestro enfoque logra un mejor rendimiento de segmentación en comparación con el método actual de vanguardia TransUnet con 105.7M de parámetros tanto en nuestro conjunto de datos recopilado como en dos conjuntos de datos públicos, con solo 3.3M de parámetros.