基于感受野扩展与特征优化的视网膜血管分割算法研究

为解决视网膜血管分割中存在的血管断裂、漏检及非血管特征误判等问题，研究人员基于U-Net网络架构，创新性地融合Inception模块和注意力机制，构建了增强型分割模型。该研究通过多尺度卷积核编码丰富特征，结合跳跃连接中的注意力模块强化空间定位，最终在DRIVE数据集上实现敏感性(SE)提升1.94%、Jaccard指数提升1.07%的显著突破，为眼底疾病诊断提供了更精准的自动化分析工具。

　　

在视网膜血管分割领域，血管断裂、特征漏检和假阳性识别始终是困扰研究者的三大难题。这项研究提出了一种基于U-Net架构的改进模型，通过两大创新策略突破传统局限：编码器阶段采用多尺度Inception模块，利用3×3、5×5等不同尺寸卷积核并行提取血管的宏观-微观特征；跳跃连接(Skip Connection)中嵌入空间-通道双重注意力机制，像"智能探照灯"般精准锁定血管走行区域。

模型在特征解码阶段更是暗藏玄机——残差注意力模块(Residual Attention Block)如同"血管特征放大器"，既能抑制背景噪声，又可修复断裂的毛细血管网络。在权威的DRIVE眼底影像数据集测试中，其血管识别灵敏度(SE)飙升至81.34%，Jaccard指数(JI)达到72.15%，各项指标均显著超越传统U-Net基线模型。该成果为糖尿病视网膜病变(DR)、青光眼等疾病的早期筛查，提供了堪比专业医师的AI"火眼金睛"。