MCG&BA‐Net: Retinal vessel segmentation using multiscale context gating and breakpoint attention
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The accurate segmentation of blood vessels plays a crucial role in screening, diagnosis and treatment of multiple diseases. However, current automated segmentation approaches do not pay enough attention to the vascular topology errors (such as mistaking vessel‐breakpoints), resulting in considerable scattered vessel‐fragments in segmentation results. This article proposes a retinal vessel segmentation model using multi‐scale context gating and breakpoint attention mechanism, called MCG&BA‐Net. Specifically, it obtains a feature map containing contextual information of vessels through an introduced multi‐scale context module, and then filters the redundant features and noises by a gated structure to highlight target features. Furthermore, a kind of breakpoint attention module is proposed, which can locate and focus on potential breakpoint areas, thereby facilitating accurate segmentation results of tree‐like fine vessels. Extensive confirmatory and comparative experiments have been conducted on five public datasets, including three benchmark datasets, that is, DRIVE, CHASDB1 and SATRE, and two clinical datasets, that is, fundusimage1000 and RFMID. The AUC scores on the benchmark datasets are 0.9878, 0.9923 and 0.9942, respectively. Among them, the AUC score on CHADEDB1 and STARE outperforms the state‐of‐the‐art results. In addition, experimental results on the two clinical datasets demonstrate strong generalization capability of the propose method, indicating high clinical application values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle