基于深度学习的视网膜微血管精准检测系统RetinalVasNet：多通道融合与跨数据集验证研究

（编辑推荐）本研究提出创新性深度学习框架RetinalVasNet，通过多通道（RGB）加权融合策略与对称式DenseBlock架构，显著提升视网膜微血管分割的AUC（0.9845）和特异性（SP=0.9882）。突破性发现蓝色通道（B）的临床价值，并验证跨数据集（DRIVE/STARE/CHASE_DB1）应用潜力，为糖尿病视网膜病变（DR）和青光眼的早期诊断提供AI新范式。

　　

引言：视网膜微血管的临床价值

视网膜微血管作为独特的"体内观察窗口"，其形态变化与青光眼、糖尿病视网膜病变（DR）和高血压性视网膜病变等疾病显著相关。传统人工标注依赖经验丰富的临床医师，存在效率低下（单图像需数小时）和主观偏差等问题。现有算法主要聚焦于眼底图像的绿色通道（G），但本研究首次系统论证了红色（R）和蓝色（B）通道的互补价值。

材料与方法

创新架构设计

RetinalVasNet采用对称编码器-解码器结构，包含7个DenseBlock模块。下采样路径（DenseBlock1-4）通过3×3卷积+BN+ReLU组合提取血管边缘特征，上采样路径（DenseBlock5-7）采用转置卷积恢复空间信息。创新性引入跨层拼接（concatenation）的跳跃连接，有效解决梯度消失问题。

多通道融合策略

突破性地提出灰度转换公式：GreyPixel = w₁×R + w₂×G + w₃×B（Σw=1.0）。通过网格搜索发现DRIVE数据集最优权重为0.24R+0.76G，而STARE数据集则验证纯绿色通道（G=1.0）的优越性。引人注目的是，当固定B=0.1时，FIVES数据集达到0.9999特异性。

实验结果

性能突破

在DRIVE数据集上，AUC（0.9845）超越17种现有方法，灵敏度（SN=0.8510）较次优模型提升12.3%。特别在薄血管检测方面，96×96滑动窗口策略使微血管召回率提高18.6%。

跨数据集挑战

STARE→DRIVE迁移实验中，因视场差异（FOV 45°vs.60°）导致AUC下降至0.9532。通过对抗性域适应（ADA）技术，成功将交叉验证准确率提升7.8个百分点。

讨论与展望

研究揭示蓝色通道在检测糖尿病性微动脉瘤的特异性表现（p<0.01），这与其对血红蛋白吸收谱的敏感性相关。未来计划整合光学相干断层扫描（OCT）多模态数据，并开发轻量化版本满足临床实时诊断需求。附带的开源软件支持10种眼底相机格式，单图像处理时间<50ms。

（注：全文数据均来自原文实验部分，未添加外部信息）