BFR-Unet：革新视网膜微小血管高效分割的全分辨率模型

为解决视网膜图像中血管边缘纤细、低对比度导致的精准分割难题，研究人员开发了BFR-Net模型，整合多残差卷积(Multi-Residual Convolution)、边界注意力(Boundary Attention)和特征融合(Feature Fusion)模块，显著提升血管边界及细小血管的分割性能。在DRIVE等数据集上，Se和F1分数分别达0.8646和0.8244，该模型为视网膜疾病诊断提供了高效可靠的工具，推动医学影像分析进步。

　　

在诊断视网膜疾病（如糖尿病视网膜病变）时，精准分割血管结构至关重要，但传统U-Net模型常因血管边缘极细（thin edges）和图像低对比度（low contrast）而失误。为此，研究人员提出了BFR-Net（全分辨率视网膜血管分割网络），它由三大模块构成：多残差卷积模块（Multi-Residual Convolution Module）作为主干，有效提取全分辨率上下文信息；边界注意力模块（Boundary Attention Module）精细捕捉边缘特征；特征融合模块（Feature Fusion Module）整合多级输出，优化整体性能。通过在DRIVE、CHSAE_DB1等数据集测试，BFR-Net在分割血管边界和微小血管（tiny blood vessels）方面表现卓越，Se（敏感性）和F1分数分别高达0.8646和0.8244，证实其提升诊断可靠性的潜力。