基于空间自感知多任务网络S2A-Net的OCTA图像视网膜血管与中心凹无血管区联合分割

针对光学相干断层扫描血管成像(OCTA)中视网膜血管(RV)与中心凹无血管区(FAZ)分割存在的任务竞争与边界模糊问题，研究人员提出空间自感知网络S2A-Net，通过Transformer框架融合多尺度语义特征与动态加权损失函数，在OCTA-500数据集上实现RV分割Dice值90.82%、FAZ分割98.54%的突破性性能，为视网膜疾病智能诊断提供新范式。

　　

视网膜是人体唯一可直接观测微血管的窗口，其结构异常与糖尿病视网膜病变、青光眼等数十种疾病密切相关。光学相干断层扫描血管成像(OCTA)技术凭借非侵入、高分辨率优势，已成为视网膜微循环评估的金标准。然而，视网膜血管(RV)与中心凹无血管区(FAZ)的精确分割面临三大挑战：毛细血管网络复杂交织导致的拓扑混乱、FAZ形态高度变异造成的边界模糊，以及传统单任务模型难以捕捉两者空间关联性。现有方法如U-Net、TransUNet等虽在单一结构分割中表现尚可，但对FAZ周边微血管的漏检率高达30%，严重制约了临床定量分析精度。

针对这一瓶颈，宁波大学研究团队在《Biomedical Signal Processing and Control》发表研究，提出空间自感知多任务网络S²A-Net。该研究创新性地发现FAZ区域与血管端点分布存在空间约束关系，通过构建任务共享的多尺度语义特征模块(SFEM)与任务专属的跨尺度上下文交换模块(CEM)，在Transformer架构中实现深层语义空间的特征耦合。更引入动态加权平衡(DWB)损失函数，初期侧重FAZ分割提供全局引导，后期逐步强化RV细节优化，最终在OCTA-500等公开数据集上实现双任务性能同步提升。

关键技术方法包括：1）基于Transformer的编码器-解码器框架处理OCTA图像；2）多中心数据集（含OCTA-500）验证；3）动态加权平衡损失函数实现任务权重自适应调整；4）任务特异性CEM模块设计。

研究结果部分显示：

1. 性能对比：在OCTA-500数据集上，S²A-Net的RV分割Dice达90.82%（较单任务最佳模型提升4.15%），FAZ分割98.54%（提升1.62%），尤其在FAZ周边1mm区域内血管检出率提高12.3%。
2. 消融实验：动态加权损失使FAZ边界分割HD95指标降低0.23mm，证实空间引导机制有效性；移除CEM模块导致小血管连续性F1值下降8.7%。
3. 跨数据集验证：在DRIVE和HRF数据集上，模型对病理视网膜的泛化能力显著优于IPACM等传统方法，糖尿病患眼FAZ面积测量误差<3%。

结论与讨论指出，该研究首次建立RV与FAZ分割的协同优化范式，其空间自感知机制为多任务医学图像分析提供新思路。临床价值体现在：1）FAZ周边微血管密度可成为阿尔茨海默病早期生物标志物；2）动态权重策略缓解了多任务学习的"跷跷板效应"；3）开源代码推动社区发展。未来工作将扩展至脉络膜血管分割，并探索三维OCTA体积分析。