编辑推荐：
为解决微动脉瘤（MA）分割难题，研究人员构建 CBAM-AG U-Net 模型，分割精度高，助力糖尿病视网膜病变（DR）诊疗。
糖尿病，这个现代社会的 “健康杀手”，正悄然威胁着无数人的视力。糖尿病视网膜病变（Diabetic retinopathy，DR）作为糖尿病常见的眼部并发症，是全球范围内导致视力丧失的主要原因之一。微动脉瘤（Microaneurysms，MAs）作为 DR 最早出现的临床病变，如同隐藏在眼底图像中的 “小恶魔”，它们是极其微小的圆形红斑，在眼底图像中十分难以辨认。由于其体积微小、对比度低，手动识别不仅耗时耗力，还容易出错，即使是经验丰富的眼科医生也倍感棘手。同时，由于眼底图像背景复杂、光照条件多变，自动识别 MA 也面临着巨大的挑战。为了攻克这一难题，来自印度韦洛尔理工学院（Vellore Institute of Technology）的研究人员 C. B. Vanaja 和 P. Prakasam 展开了深入研究，相关成果发表在《BMC Medical Imaging》上。
研究人员提出了一种基于卷积块注意力模块（Convolutional Block Attention Module，CBAM）和注意力门（Attention Gate，AG）的 U-Net（CBAM-AG U-Net）模型，用于 MA 的分割。该研究主要采用了以下关键技术方法：
- 数据处理技术：研究使用印度糖尿病视网膜病变图像数据集（IDRiD dataset），对原始眼底图像进行多步骤预处理，包括裁剪、调整大小、提取绿色通道、对比度受限自适应直方图均衡化（CLAHE）和伽马校正等，以提升图像质量。同时，采用基于补丁的训练方法，并进行数据增强，增加数据多样性23。
- 模型构建技术：基于 U-Net 架构，在编码器和解码器中融入 CBAM 模块，增强特征提取能力；在跳跃连接中添加 AG，优化病变特征，减少背景噪声。通过这种方式构建了 CBAM-AG U-Net 模型4。
- 评估指标技术：采用交叉熵损失函数衡量模型预测与真实值的差异，使用准确率、受试者工作特征曲线下面积（AUC-ROC）、Dice 相似系数、交并比（IoU）等指标评估模型性能56。
研究结果如下：
- 模型训练与性能评估：在 IDRiD 数据集上训练 CBAM-AG-UNet 模型，模型训练和测试准确率分别达到 99.88% 和 99.91%。该模型在分割 MA 时表现卓越，IoU 达到 0.758，Dice 系数为 0.865，AUC-ROC 为 0.996，超越了现有方法的分割精度17。
- 消融实验结果：通过消融实验评估结构变化和超参数设置对分割性能的影响。结果表明，AG 和更深的瓶颈层对提高分割精度至关重要。去除 AG 会显著降低模型性能，适当的超参数选择，如批大小为 16、补丁大小为 64×64，有助于提升分割效果911。
- 与其他方法的对比：将 CBAM-AG-UNet 模型与其他先进的 MA 分割方法和传统图像处理技术对比，结果显示该模型在分割微小 MA 方面表现更优，能够更可靠地识别和分割 MA 区域810。
研究结论和讨论部分指出，该研究成功证明了 CBAM-AG-UNet 模型在微动脉瘤分割方面的优势。与大多数现有的 U 形方法相比，该模型能够更好地检测微小病变。通过在编码器和解码器中使用 CBAM 模块，以及在跳跃连接中使用 AG，模型能够更有效地提取特征，提高分割准确性。同时，研究还发现注意力机制在医学图像分割中具有重要作用，为该领域的进一步研究和发展开辟了新的道路。这一研究成果有助于提高糖尿病视网膜病变的早期检测和诊断效率，具有重要的临床应用价值，有望为眼科医生提供更准确、高效的诊断工具，从而更好地保护患者的视力健康。
