Drishti-GS dataset

新的视盘分割方法优先考虑可追溯性而非深度学习

研究人员开发了一种用于视网膜眼底图像的新视盘分割方法，该方法优先考虑数学可追溯性而非不透明的深度学习模型。该流程整合了超像素分解、混合评分、形态学正则化、迭代GrabCut细化和椭圆形状拟合。使用贝叶斯优化来调整超参数，该方法在Drishti-GS数据集上实现了0.9536的Dice系数，达到了最先进的性能，同时为临床应用提供了确定性且可追溯的替代方案。