基于轻量级注意力U-Net的视网膜图像微动脉瘤高效分割助力糖尿病视网膜病变早期诊断

针对糖尿病视网膜病变(DR)早期诊断中微动脉瘤(MAs)检测面临的图像质量差、特征细微等挑战，浙江大学团队提出新型预处理流程结合轻量级Attention U-Net模型。该方案在IDRID数据集上实现0.81灵敏度和0.99特异性，显著提升MA分割精度，为大规模DR筛查提供高效解决方案。

　　

糖尿病视网膜病变(DR)作为糖尿病的主要并发症，正威胁着全球4.63亿患者的视力健康。微动脉瘤(MAs)是其最早期的可检测标志，但由于视网膜图像存在低对比度、噪声干扰以及MA特征的微小性和形态多样性，传统检测方法面临巨大挑战。当前临床筛查依赖眼科专家人工判读，在医疗资源匮乏地区难以普及，开发自动化检测工具成为迫切需求。

浙江大学计算机科学与技术系的研究团队在《SLAS Technology》发表创新研究，通过优化预处理流程与改进轻量级Attention U-Net架构，显著提升了MA检测性能。研究人员首先构建包含绿色通道提取、归一化、伽马校正和CLAHE的预处理流水线，有效增强图像质量；随后设计参数仅210万的轻量化网络，通过三模块编解码结构和选择性注意力门(AG)机制，在保持模型效率的同时精准捕捉微小MA特征。

关键技术包括：(1)采用IDRID和E-Ophtha数据集81例MA标注图像；(2)创新四步预处理流程；(3)改进Attention U-Net架构减少参数规模；(4)结合加权Dice损失和二元交叉熵(BCE)的混合损失函数；(5)使用Adam优化器进行模型训练。

研究结果显示：

1. 预处理优化：实验证实"绿色通道→归一化→伽马校正→CLAHE"的流程组合最优，在IDRID数据集上使Dice系数提升至0.88。

2. 模型性能：轻量级Attention U-Net在IDRID测试中达到0.98准确率、0.81灵敏度和0.99特异性，较传统U-Net参数减少70%但性能提升12%。

3. 泛化能力：在E-Ophtha跨数据集验证中保持0.99特异性，证实方法鲁棒性。

4. 消融实验：证明预处理流程对性能贡献率达35%，注意力机制使小目标检测精度提升22%。

这项研究通过算法创新解决了DR筛查中的关键瓶颈问题：其预处理方案突破传统单一增强技术的局限，多步骤协同提升图像质量；轻量级网络设计在保持精度的同时大幅降低计算成本，单图推理仅需25毫秒，适合嵌入式设备部署。特别值得注意的是，模型对低质量图像的强适应能力，使其在基层医疗机构具有重要应用价值。未来工作将扩展至硬性渗出物等其他DR标志物检测，并探索MA引导编解码器的优化方向。该成果为人工智能辅助眼科诊疗提供了新的技术范式，对实现联合国"全民健康覆盖"目标具有积极意义。