编辑推荐：
在视网膜图像分析中，视盘（OD）分割对多种致盲性疾病的诊断极为关键。研究人员开展了多尺度引导注意力网络（MSGANet-OD）的研究。结果显示，该方法在临床及公共数据集上表现优异。这为自动评估视神经异常及血管变化提供了有力支持。
在眼科医学领域，视网膜图像对视盘（Optic Disc，OD）的准确分析是诊断和评估多种威胁视力疾病的重要依据，如青光眼、糖尿病性视网膜病变等。然而，传统的 OD 分割方法存在诸多问题。基于图像分析的方法可分为两类，一类是基于深度学习的方法，像卷积神经网络（CNN）、全卷积网络（FCN）、U - Net 等，虽能自动学习特征，但对 OD 光照不一致、周围结构重叠敏感，且受视网膜异常影响大；另一类是量化外观的方法，易将明亮血管和渗出物误判为视盘，还需复杂的预处理和参数选择。对于眼科动力眼压测量（ophthalmodynamometry）图像，更是缺乏有效的自动分割方法，这类图像中 OD 区域受多种因素干扰，分割难度极大。
为了解决这些难题，来自澳大利亚 Lions Eye Institute 的研究人员展开了深入研究。他们提出了一种名为多尺度引导注意力网络（MSGANet-OD）的深度学习方法，相关研究成果发表在《Computer Methods and Programs in Biomedicine Update》上。
研究人员采用了多项关键技术方法。在网络架构上，基于 U - Net 架构构建 MSGANet-OD，包含双分支多尺度特征编码和引导注意力（Guided Attention，GA）模块。双分支分别从 RGB 和 CIELAB 颜色空间图像提取特征，利用 Res2Net 学习多尺度特征。GA 模块基于亮度特征，通过自注意力引导过滤和全局上下文分析强化 OD 区域特征。同时，设计了包含交叉熵损失（Lossce）、OD - 血管重叠损失（Lossvo）和椭圆拟合损失（Lossellipse）的自定义损失函数，以解决血管干扰和 OD 形状约束问题。在训练过程中，使用 Adam 优化器，对数据进行增强处理，并在特定的系统平台上开展实验。
在研究结果方面：
- 临床数据集评估：在 LEI - OD 临床数据集上，MSGANet-OD 取得了 96.14% 的分割准确率、94.36% 的灵敏度、97.22% 的特异性、93.01% 的骰子系数和 87.89% 的交并比（IoU）分数，优于 DeepLab、PspNet、SegNet 和基线 U - Net 等常用分割方法。
- 公共数据集评估：在 DRISHTI - GS、RIM - ONE - r3 和 REFUGE1 等公共数据集上，MSGANet-OD 同样表现出色。例如在 DRISHTI - GS 数据集上，准确率达 99.7%，灵敏度 92.1%，特异性 99.9%，骰子系数 96.2%，IoU 91.3%。在评估视杯（Optic Cup，OC）分割时，也取得了不错的成绩。
- 消融研究：通过对比仅核心 U - Net、U - Net 添加双分支多尺度编码器和完整的 MSGANet-OD 这三种网络，发现完整的 MSGANet-OD 能更准确地分割 OD 像素，各项评估指标得分更高。
研究结论和讨论部分表明，MSGANet-OD 在视网膜图像 OD 分割上展现出卓越性能。其多尺度学习和引导注意力机制提升了分割效果，自定义损失函数有效解决了 OD 分割面临的难题。该方法能够准确分割复杂病变图像中的 OD，对不同神经病理图像具有较强的鲁棒性。这一成果可应用于自动临床诊断系统，帮助评估青光眼、糖尿病性视网膜病变等疾病，还可用于非侵入性颅内压（ICP）估计，具有重要的临床应用价值，为眼科疾病的诊断和治疗提供了新的有力工具。
