多域融合网络(MFNet)：糖尿病视网膜病变OCTA图像分割的创新频率-空间协同分析方法

针对糖尿病视网膜病变OCTA图像中微血管病变难识别、条纹噪声干扰大的问题，山东科研团队创新提出多域融合网络(MFNet)，首次融合离散小波变换(DWT)与空间特征，通过域融合模块(DFM)实现跨尺度特征对齐，在DRAC2022数据集上对新生血管(NV)分割达54.48% Dice系数，为早期病变检测提供新范式。

　　

论文解读

糖尿病正成为全球健康危机，国际糖尿病联盟预测2045年患者将达7亿。其中糖尿病视网膜病变(DR)引发的微血管异常、新生血管(NV)等病理改变，会不可逆损伤视力。光学相干断层扫描血管成像(OCTA)作为无创三维成像技术，虽能避免传统荧光造影的过敏风险，但其依赖血流信号检测的特性，导致早期微动脉瘤等低血流病变易被漏诊，加之成像过程中的条纹噪声干扰，使得现有基于单一空间域特征的卷积神经网络(CNN)分割精度受限。

针对这一挑战，来自中国的研究团队在《Biomedical Signal Processing and Control》发表创新成果。他们首创多域融合网络(MFNet)，通过三大核心技术突破：1) 构建多级离散小波变换(DWT)频率域编码器，在去噪同时提取多尺度纹理特征；2) 设计带门控机制的域融合模块(DFM)，实现空间-频率特征动态对齐；3) 引入全局认知模块(GCM)中的ConvTrans单元(CTU)，建立病灶长程依赖关系。实验采用DRAC2022和WF-OCTA公开数据集，涵盖NV、视网膜内微血管异常(IRMA)等关键病变类型。

方法论
研究团队利用DRAC2022提供的超广角OCTA(UW-OCTA)标准化数据集，通过双分支架构同步处理空间域(CNN)和频率域(DWT)特征。频率编码器采用3级Haar小波分解，对每级高频成分阈值去噪；DFM模块通过门控权重动态融合跨域特征；GCM模块采用三分支CTU结构增强全局感知。训练使用交叉熵损失和Dice系数双优化目标。

研究结果
CNN for image segmentation
传统FCN因感受野有限，难以捕捉OCTA中微米级病变边界，尤其对IRMA的IoU仅37.44%。

Methodology
MFNet框架图示显示，频率分支能有效抑制条纹噪声，空间分支则更擅长定位NV等宏观病变。

Datasets
在DRAC2022测试中，MFNet对NV/NPA/IRMA的Dice系数分别达54.48%/75.36%/37.44%，显著优于UNet++等基线模型。

Heatmap visualization
热图分析证实空间编码器精确定位NV异常区域，频率编码器则成功捕捉IRMA的细微纹理变化。

Conclusion
该研究开创性地验证了频率域特征在医学图像分割中的价值，MFNet对复杂病变如NV的分割性能提升12.6%，其设计的DFM模块为多模态特征融合提供了新范式。

重要意义
这项工作不仅为糖尿病视网膜病变的早期诊断提供了更精准的AI工具，其创新的跨域特征融合思路，对CT、MRI等多噪声医学影像分析具有普适性参考价值。研究获得山东省自然科学基金(ZR2020MF105)等多项支持，代码已开源。作者声明无利益冲突，后续将探索MFNet在黄斑变性等疾病中的应用。