编辑推荐：
为解决视网膜血管分割中标记图像数据有限、血管结构复杂多尺度及易受病变区域干扰等问题，研究人员开展了将注意力机制和级联扩张卷积模块（CDCM）集成到多路径 U - Net 架构的研究。结果表明该方法在三个基准数据集上分割精度更高，对视网膜疾病诊断意义重大。
在眼科医学领域，视网膜血管的状况如同身体内部健康的 “信号灯”。通过观察视网膜血管的几何结构，如直径、分支角度和长度等，眼科医生能够检测和诊断像高血压、糖尿病、动脉粥样硬化等多种疾病。然而，随着全球人口老龄化加剧，视觉障碍问题日益增多，眼科医生的工作量剧增，这不仅容易导致人为误差，还会增加患者的健康风险。因此，开发自动化的视网膜血管分割（RVS）技术迫在眉睫，它能极大减少眼科医生的标注时间和工作量，辅助医生进行更高效准确的诊断。
目前，RVS 面临诸多挑战。一方面，视网膜血管的解剖结构复杂多变，细且对比度低的血管在成像存在伪影或病理状况时极难识别；另一方面，现有的分割方法难以在不同成像条件下既准确检测和保留这些精细结构，又保持良好的鲁棒性。
为攻克这些难题，黄冈师范学院的研究人员开展了深入研究。他们提出一种将注意力机制和级联扩张卷积模块（CDCM）集成到多路径 U - Net 架构的新技术，相关研究成果发表在《Scientific Reports》上。
研究人员采用了以下关键技术方法：首先构建多路径 U - Net 模型，通过纹理和结构分支分别提取粗细粒度的血管结构，共享编码器权重实现微小血管的同时训练；其次，利用 CDCM 收集多尺度血管特征，增强模型提取深度语义特征的能力；再者，在网络的上采样模块中引入结合概率分布注意力（PDA）的提升算法，动态调整网络关注区域，提高复杂背景下的分割性能并减少过拟合；最后使用交叉熵损失函数和 Softmax 激活函数等进行模型训练和结果输出 。
研究结果如下：
- 数据集及预处理：使用 DRIVE、STARE 和 CHASEDB1 三个公开数据集，对图像进行灰度转换、归一化、CLAHE（对比度受限的自适应直方图均衡化）处理等预处理，有效提升了图像质量，为后续分割奠定基础。
- 定性和定量性能分析：通过与其他先进算法对比，在不同数据集的健康和病理图像上，该算法在分割小血管时表现出更强的鲁棒性，能更精准地勾勒血管边界，有效抑制病理信息和噪声的误分割，在准确率（Acc）、敏感度（Sen）、F1 分数（F1）、特异性（Spe）和受试者工作特征曲线下面积（AUC）等指标上均优于其他算法，表明其在视网膜血管分割任务中具有卓越的性能 。
- 消融研究：对模型各组件进行消融实验，结果显示纹理分支、CDCM、提升算法、PDA 等组件分别从不同方面提升了模型性能，最终完整模型实现了最高的分割性能，证明各模块相互配合对提升分割效果至关重要。
研究结论表明，该研究提出的方法有效克服了现有 RVS 算法的局限性，在处理复杂的视网膜血管分割任务时表现出色，为视网膜疾病的早期诊断和精确治疗提供了更可靠的技术支持。在讨论部分，研究人员进一步强调了该方法在不同临床场景下的适用性，其能在多种病理变化和成像条件下实现稳健的血管分割，有望在临床环境中广泛应用，助力自动化筛查系统和临床决策支持工具的发展，提高眼科疾病诊断的准确性和效率，为患者带来更好的医疗服务和健康保障。
