换一批一种基于CNN-Transformer的青光眼辅助诊断双编码分割网络模型
CNN-Transformer-based dual-encoder segmentation network model for glaucoma auxiliary diagnosis
摘要视杯与视盘的精准分割是青光眼早期筛查中形态学参数计算的关键环节,针对现有方法因局部-全局特征融合效率低、长距离依赖建模不足导致的边界模糊和分割精度受限问题,提出一种基于CNN-Transformer的青光眼辅助诊断双编码分割网络模型.首先,设计双分支互补特征融合模块替代传统跳跃连接,通过动态权重分配策略实现CNN局部细节与Transformer全局上下文的协同优化以提升特征融合效率.其次,在Transformer编码器中引入全局注意力增强模块,利用多头自注意力机制建模像素级长距离依赖关系,结合深度可分离卷积增强边界区域的上下文感知能力,有效缓解视杯/视盘边缘不连续问题.在REFUGE数据集上的实验表明,该方法在视盘分割任务中Dice系数和IoU较U-Net分别提升4.11%和5.62%;该方法在视杯分割任务中Dice系数和IoU较U-Net分别提升11.75%和19.30%.
更多相关知识
关键词
视杯视盘分割青光眼辅助诊断Transformer特征融合注意力机制optic cup and disc segmentationauxiliary diagnosis of glaucomaTransformerfeature fusionattention mechanism
栏目名称
DOI
10.3969/j.issn.1005-202X.2026.02.018
发布时间
2026-02-04（万方平台首次上网日期，不代表论文的发表时间）
基金项目
甘肃省教育厅创新基金项目（2022B-113）
- 浏览2
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
