多注意力跨尺度融合网络在视盘和视杯分割中的创新应用及其在青光眼早期诊断中的价值

针对传统Transformer在医学图像分割中存在的通道与空间信息丢失问题，研究人员提出多注意力跨尺度融合网络（MACFNet），通过自注意力卷积（SC）模块降低计算复杂度，结合双注意力（DA）模块增强特征表达，并设计多尺度交叉注意力（MSCA）模块实现全局-局部特征融合。实验在DRISHTI-GS1和REFUGE数据集上取得最优IoU与Dice分数，为青光眼CDR精准测量提供新工具。

　　

青光眼作为全球第二大致盲疾病，到2030年预计影响9540万人，其不可逆性使得早期诊断至关重要。视盘（Optic Disc, OD）与视杯（Optic Cup, OC）的精准分割是计算杯盘比（Cup-to-Disc Ratio, CDR）的关键，而传统U-Net因感受野限制难以捕捉长程依赖，Transformer则面临高分辨率图像计算瓶颈。针对这些问题，来自中国的研究团队在《Biomedical Signal Processing and Control》发表研究，提出多注意力跨尺度融合网络（MACFNet）。

研究团队通过三项核心技术突破传统局限：首先，自注意力卷积（Self-attention Convolution, SC）模块融合卷积与Transformer优势，降低计算复杂度；其次，双注意力（Dual Attention, DA）模块强化通道与位置特征提取；最后，多尺度交叉注意力（Multi-scale Cross Attention, MSCA）模块通过跨层级特征融合缩小语义鸿沟。实验采用DRISHTI-GS1（101张图像）和REFUGE（400张训练集）数据集，并应用圆形霍夫变换（Circular Hough Transform, CHT）预处理高分辨率眼底图像。

主要研究结果

1. SC模块验证：通过卷积与自注意力协同，在保持85%参数效率的同时，处理速度较纯Transformer提升2.3倍。
2. DA模块效能：通道注意力使OD区域特征响应强度提升37%，位置注意力则捕获到OC边缘的微结构。
3. MSCA跨尺度融合：在REFUGE测试集上，多层级特征融合使IoU指标达到0.912（OD）和0.873（OC），超越Swin-UNet 4.6个百分点。
4. 整体性能：在DRISHTI-GS1上取得最高Dice分数0.947（OD）和0.896（OC），CDR计算误差降至±0.03，满足临床诊断需求。

结论与意义
MACFNet通过多注意力机制协同解决了医学图像分割中的三大矛盾：全局与局部特征、通道与空间信息、计算效率与精度需求。其创新性体现在：（1）SC模块首次实现卷积与自注意力的参数共享；（2）DA模块在眼底图像中定位到青光眼相关的血管弯曲特征；（3）MSCA构建的跨尺度通路使小样本训练稳定性提升60%。该技术为青光眼筛查提供了自动化解决方案，尤其适用于资源有限的基层医疗场景。未来可扩展至糖尿病视网膜病变等需多尺度分析的疾病诊断领域。

（注：作者Yugen Yi单位信息未明确标注，文中基金编号62062040等属于中国国家自然科学基金项目，据此推断为国内研究团队。）