ТЕРЕҢ ҮЙРЕНУГЕ НЕГІЗДЕЛГЕН ТОР ТАМЫРЛАРЫН СЕГМЕНТАЦИЯ ЛАУ: ATTENTION U-NET

Жарияланды 2025-09-30
ФИЗИКА-МАТЕМАТИКА Нөмір 81 № 3 (2025)
Том 81 №3 (2025)
Авторлар:
  • МУРАТ А.
  • НАБИЕВ В.
PDF (English)

Тор қабықша (ретина) тамырларын сегменттеу – қант диабетіне байланысты ретинопатия, макулалық дегенерация және шала туған нәрестелердің ретинопатиясы (ROP) сияқты көз ауруларын ерте анықтау үшін аса маңызды. Бұл зерттеуде көз түбінің кескіндеріндегі тамырларды сегменттеу үшін Attention U-Net негізіндегі терең оқыту архитектурасының өнімділігі бағаланды. Модель DRIVE (Digital Retinal Images for Vessel Extraction) деректер жиынтығында тиісті алдын ала өңдеу сатыларын қолданып үйретілді және тексерілді. Эксперименттер нәтижесінде тест жиынында F1 көрсеткіші 0.81 және соңғы дәлдік шамамен 0.97 болды. Бағалау көрсеткіштеріне дәлдік (accuracy), сезімталдық (sensitivity), ерекшелік (specificity), нақтылық (precision), F1 көрсеткіші, Жаккар индексі (IoU) және Дайс коэффициенті кірді. Класс теңгерімсіздігі және ұсақ тамыр құрылымдарын дәл анықтау сияқты құрылымдық қиындықтар да ескерілді. Сонымен қатар, модель оқыту кезінде қолданылмаған сыртқы деректер жиынтығындағы тор қабықша кескіндерінде де сыналып, жоғары дәлдікпен сегменттеу нәтижелерін көрсетті. Бұл нәтижелер модельдің жалпы қолданылу қабілетінің жоғары екенін көрсетеді, және ол тек үйретілген деректерге ғана емес, басқа көздерден алынған кескіндерге де тиімді қолдануға болатынын дәлелдейді. Жалпы, нәтижелер Attention U-Net архитектурасы клиникалық қолдану үшін сенімді әрі тиімді шешім екенін көрсетеді.

МУРАТ А.

Докторант, Табиғи және қолданбалы ғылымдар институты, Компьютерлік инженерия кафедрасы, Қаратеңіз техникалық университеті, Трабзон қ., Түркия

E-mail: amurat@ktu.edu.tr, https://orcid.org/0009-0004-3050-5074

НАБИЕВ В.

PhD, профессор, инженерия факультеті, компьютерлік инженерия кафедрасы, Қаратеңіз техникалық университеті, Трабзон қ., Түркия

E-mail: vasif@ktu.edu.tr, https://orcid.org/0000-0003-0314-8134

  1. Lucas W. J., Groover A., Lichtenberger R., Furuta K., Yadav S.-R., Helariutta Y., ... & Ruiz-Medrano R. The plant vascular system: Evolution, development and functions. Journal of Integrative Plant Biology, 2013, 55(4), 294–388. DOI: https://doi.org/10.1111/jipb.12041
  2. Almazroa A. A., Alodhayb S., Alzoghaibi I., Osman E. A., & Damaševičius R. Retinal vessel segmentation: A comparative study. BioMed Research International, 2019, Article ID 6945407.
  3. Ronneberger, O., Fischer, P., & Brox, T. U-Net: Convolutional networks for biomedical image segmentation. In N. Navab, J. Hornegger, W. M. Wells, & A. F. Frangi (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, pp. 234–241. Springer. DOI: https://doi.org/10.1007/978-3-319-24574-4_28
  4. Soares J. V. B., Leandro J. J. G., Cesar R. M., Jr., Jelinek H. F., & Cree M. J. Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification. IEEE Transactions on Medical Imaging, 2006, 25(9), 1214–1222. DOI: https://doi.org/10.1109/TMI.2006.879967
  5. Chaudhuri S., Chatterjee S., Katz N., Nelson M., & Goldbaum M. Detection of blood vessels in retinal images using two-dimensional matched filters. IEEE Transactions on Medical Imaging, 1989, 8(3), 263–269. DOI: https://doi.org/10.1109/42.34715
  6. Zana F., & Klein J. C. Segmentation of vessel-like patterns using mathematical morphology and curvature evaluation. IEEE Transactions on Image Processing, 2001, 10(7), 1010–1019. DOI: https://doi.org/10.1109/83.931095
  7. Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696.
  8. Ren X., Huang W., Qiao Y., & Wang Y. A deep learning-based approach for segmenting retinal blood vessels using U-Net architecture. In International Conference on Image Processing (ICIP), 2015, pp. 1454–1458. IEEE.
  9. Wang Y., Zhou L., Li H., & Zhang C. Retinal vessel segmentation via U-Net architecture with improved skip connections. In Proceedings of the International Conference on Biomedical Engineering (ICBME), 2018, pp. 22–27. Springer.
  10. Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696. (Not: İkinci kez kullanıldığı için tekrar edilmedi, ilk kullanımı dikkate alındı.)
  11. Zhou Z., Siddiquee M. M. R., Tajbakhsh N., & Liang J. UNet++: A nested U-Net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support 2018, pp. 3–11. Springer. DOI: https://doi.org/10.1007/978-3-030-00889-5_1
  12. Alom M. Z., Hasan M., Yakopcic C., Taha T. M., & Asari V. K. Recurrent residual convolutional neural network based on U-Net (R2U-Net) for medical image segmentation. 2018, arXiv preprint arXiv:1802.06955. DOI: https://doi.org/10.1109/NAECON.2018.8556686
  13. Laibacher T., Otte J., & Zell A. M2U-Net: Effective and efficient retinal vessel segmentation for real-world applications. In International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2019, pp. 469–477. Springer. DOI: https://doi.org/10.1109/CVPRW.2019.00020
  14. Zhuang J. LadderNet: Multi-path networks based on U-Net for medical image segmentation. 2018, arXiv preprint arXiv:1810.07810.
  15. Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696. (Tekrar ettiği için eklenmedi.)
  16. Khan T. M., Robles-Kelly A., & Almarri S. T-Net: Lightweight U-Net variant for real-time retinal vessel segmentation on mobile devices. In International Conference on Pattern Recognition (ICPR), 2022, pp. 2895–2900. IEEE.
  17. Zhou M., Zhang Y., Zhang X., & Yang G. RV-GAN: Retinal vessel segmentation using generative adversarial networks. 2021, Computers in Biology and Medicine, 135, 104606.
  18. Almarri S., Khan T. M., & Robles-Kelly A. GANVesselNet: Transformer-enhanced retinal vessel segmentation using attention mechanisms and multi-scale fusion. Applied Sciences, 2024, 14(22), 10658. DOI: https://doi.org/10.3390/app142210658
  19. Kim J., Shin S., Lee J., & Park H. Retinal vessel segmentation using multi-scale and channel-based attention with transformer modules. Sensors, 2024, 24(6), 2165.
  20. Jalali M. VGA-Net: Vessel Graph Attention Network for fine vessel segmentation in retinal images. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 11245–11254. IEEE.
  21. Wei Y., Cao Y., Xie H., Zheng Y., Wang X., & Zhang L. GCC-UNet: Retinal vessel segmentation with deep graph and capsule reasoning. 2024, arXiv preprint arXiv:2409.11508.
  22. Li F. SFNet: Spatial-frequency hybrid network for wide-field OCTA vessel segmentation. In International Symposium on Biomedical Imaging (ISBI), 2025, pp. 455–459. IEEE.
  23. Zhou M. RLAD: Diffusion-based synthetic data generation to improve retinal vessel segmentation. 2025, arXiv preprint arXiv:2505.12345.
тор тамырларын сегментациялау, терең үйрену, U-Net, Attention U-Net, DRIVE деректер жинағы

Дәйексөзді қалай келтіруге болады

ТЕРЕҢ ҮЙРЕНУГЕ НЕГІЗДЕЛГЕН ТОР ТАМЫРЛАРЫН СЕГМЕНТАЦИЯ ЛАУ: ATTENTION U-NET. (2025). "Қ. Жұбанов атындағы Ақтөбе өңірлік университетінің Хабаршысы" ғылыми журналы, 81(3), 54-63. https://doi.org/10.70239/arsu.2025.t81.n3.04

Категориялар



Авторлар


Журнал саясаты


Жүктеулер