基于频率-空间纠缠Mamba模型的视网膜血管分割新方法

视网膜血管分割在眼科疾病诊断中具有重要意义，但现有方法存在方向性偏差和特征判别困难等问题。辽宁师范大学的研究团队提出FSE-Mamba模型，通过频率-空间坐标Mamba（FSCM）、多尺度频率感知模块（MSFPM）和双域选择性纠缠注意力（DSEA）三大创新模块，有效解决了Mamba架构的因果约束问题，并在四个公开数据集上展现出优越性能。该研究为视网膜血管分析提供了新范式，代码已开源。

　　

视网膜血管的精确分割对于糖尿病视网膜病变、青光眼等眼部疾病的早期诊断至关重要。然而，视网膜血管结构复杂、对比度低，且与周围组织高度相似，给分割任务带来巨大挑战。传统卷积神经网络（CNN）受限于局部感受野，难以建模长程空间依赖；而视觉Transformer（ViT）虽然能捕捉全局特征，但其计算复杂度随图像分辨率呈平方级增长，限制了在高分辨率医学图像中的应用。近年来，基于状态空间模型（SSM）的Mamba架构因其线性计算复杂度和全局感受野特性受到关注，但其因果扫描策略导致方向性偏差，在二维图像处理中表现不佳。

针对这些挑战，辽宁师范大学计算机与人工智能学院的研究团队在《Computers in Biology and Medicine》发表了创新性研究。他们提出频率-空间纠缠Mamba（FSE-Mamba）模型，通过三大核心技术模块：频率-空间坐标Mamba（FSCM）整合多尺度轴向注意力（MSAA）和频域引导注意力（FDGA），克服Mamba的方向约束；多尺度频率感知模块（MSFPM）利用三重池化捕捉频带间相关性；双域选择性纠缠注意力（DSEA）实现跨域特征动态融合。研究在DRIVE、CHASE_DB1等四个视网膜数据集上验证了模型优越性。

关键技术方法包括：1）FSCM模块的轴向压缩与频域注意力机制；2）MSFPM的多尺度快速傅里叶变换与最大-最小-平均三重池化；3）DSEA模块的跨域重校准注意力机制。实验采用数据增强解决小样本问题，评估指标包含AUC等多项指标。

【框架架构】
FSCM通过正交轴特征压缩保留全局语义，配合自适应核卷积重建血管分支的几何连续性。FDGA机制动态调节频带信息流，在低对比度场景中增强血管特征。

【多尺度频率感知】
MSFPM创新性地采用多波段频谱分解，通过三重池化捕获频带内统计特性，解决了传统方法忽略频带相关性的问题，显著提升对细微血管结构的感知能力。

【双域特征融合】
DSEA建立频域能量特征与空间纹理特征的双向投影通道，通过注意力重加权消除域间错位，相比简单拼接方法计算效率提升37%。

【实验结果】
在DRIVE数据集上达到0.982 AUC，较次优方法提升2.1%。消融实验证实各模块贡献度：FSCM带来1.8%敏感度提升，MSFPM改善细小血管检出率14.6%。

该研究开创性地将频域分析与Mamba架构结合，为视网膜血管分割建立了新范式。FSCM的方向无关性设计为Mamba在视觉任务的拓展提供新思路；MSFPM的频带交互建模方法可迁移至其他医学图像分析场景；DSEA的纠缠学习机制为多模态医学数据融合提供参考。研究者已公开代码，促进领域发展。这项工作不仅解决了视网膜血管分割的具体难题，更为医学图像分析领域贡献了普适性方法论。