基于DSE-Net的甲状腺相关眼病患病区域轻量型分割算法

临床活动性评分（Clinical activity score,CAS）是临床诊断甲状腺相关眼病（Thyroid associated ophthalmopathy, TAO）的重要评估方法之一。由于TAO症状的多样性和非患病区域的影响,人工诊断TAO容易受医生的主观经验影响。精准获取TAO患者脸部关键区域是早期诊断TAO的重要前提之一。因此,本文提出了一种基于DSE-Net的TAO患病区域自动分割的轻量型算法。DSE-Net采用U-Net作为主干模型,设计的密集型挤压-激励（Dense squeeze-and-excitation, DSE）通道注意力模块逐层提取编码结构的低级特征并融合解码结构的高级特征,进一步增强模型的特征提取能力。在巩膜、眼睑和泪阜数据集上的测试证明了DSE-Net的有效性,其中Dice系数分别达到了84.8%、84.7%和92.7%,IoU分别达到了74.0%、74.7%和86.5%。同时经过大量的对比实验证明了DSE-Net的优越性。提出的模型具有参数少、结构简单和特征提取能力强等特点,为TAO的早期诊断和预后治疗提供了重要信息。