Vollskalige Repräsentation geführtes Netzwerk für die Segmentierung von Netzhautgefäßen

Die U-Net-Architektur und ihre Varianten sind seit einem Jahrzehnt der Stand der Technik (SOTA) für die Segmentierung von Netzhautgefäßen. In dieser Studie stellen wir ein Full Scale Guided Network (FSG-Net) vor, bei dem das Merkmalsrepräsentationsnetzwerk mit modernisierten Faltungsblöcken umfassende Informationen extrahiert und der geleitete Faltungsblock diese Informationen verfeinert. Ein aufmerksamkeitsgesteuertes Filter wird dem geleiteten Faltungsblock hinzugefügt, wobei das Verhalten des Filters als unsharp mask Filter interpretiert wird. Die Weitergabe umfassender Informationen an den Aufmerksamkeitsblock ermöglicht die Erstellung verbesserte Aufmerksamkeitskarten, die dann an den aufmerksamkeitsgesteuerten Filter weitergegeben werden, was zur Leistungssteigerung des Segmentierungsnetzwerks führt. Die Struktur vor dem geleiteten Faltungsblock kann durch jede U-Net-Variante ersetzt werden, was die Skalierbarkeit des vorgeschlagenen Ansatzes erhöht. Für einen fairen Vergleich haben wir kürzlich veröffentlichte Studien aus öffentlichen Repositories neu implementiert, um ihre Skalierbarkeit und Reproduzierbarkeit zu bewerten. Unsere Experimente zeigen zudem, dass das vorgeschlagene Netzwerk vergleichbare Ergebnisse wie aktuelle SOTA-Modelle auf verschiedenen öffentlichen Datensätzen erzielt. Reduktionstests belegen, dass das vorgeschlagene Modell bei deutlich kleineren Parameternumbern wettbewerbsfähig ist. Schließlich konnten wir durch die Anwendung des vorgeschlagenen Modells auf die Segmentierung von Gesichtsfalten dessen Potenzial für ähnliche Aufgaben in anderen Bereichen bestätigen. Unser Code ist unter https://github.com/ZombaSY/FSG-Net-pytorch verfügbar.请注意，我在翻译中对一些术语进行了调整以符合德语的习惯表达，例如 "Attention-guided filter" 翻译为 "aufmerksamkeitsgesteuertes Filter"，"Ablation studies" 翻译为 "Reduktionstests"。同时，为了使句子更加流畅和符合德语的表达习惯，我对部分句子结构进行了优化。希望这些调整能帮助您更好地传达原文的信息。