动态尺寸注意力网络DSFormer：增强长程依赖建模的视网膜动静脉分类新方法

本文提出了一种创新的动态尺寸注意力网络（DSFormer），通过动态上下文感知（DCA）模块和混合浅深上下文桥（M-Bridge），解决了视网膜动静脉（A/V）分类中长程依赖建模不足和高计算成本的难题。DCA模块结合动态尺寸自注意力（DSSA）和双融合前馈网络（DFFN），显著提升关键特征提取能力；M-Bridge则实现多尺度特征融合。实验在DRIVE、HRF和IOSTAR数据集上验证了其优越性，为糖尿病视网膜病变等心血管疾病筛查提供了高效工具。

　　

亮点

本研究提出DSFormer网络，通过动态上下文感知（DCA）模块和混合浅深上下文桥（M-Bridge），显著提升视网膜动静脉（A/V）分类的精度与效率。

方法学

DSFormer的核心创新包括：

1. 1.

   动态尺寸自注意力（DSSA）：通过动态调整注意力区域，在降低计算复杂度的同时保留关键血管特征，尤其擅长处理微小血管分支和交叉区域。

2. 2.

   双融合前馈网络（DFFN）：采用双路径策略融合全局与局部特征，增强长程依赖建模能力。

3. 3.

   M-Bridge：整合浅层空间细节与深层语义信息，解决传统方法中多尺度特征丢失的问题。

实验验证

在DRIVE、HRF和IOSTAR数据集上的实验表明，DSFormer在动静脉分类任务中全面超越现有方法，尤其对血管末梢和分叉区域的分类准确率提升显著。

结论

DSFormer为视网膜血管分析提供了高效解决方案，其动态注意力机制和混合特征桥设计可扩展至其他医学图像分割领域，助力糖尿病视网膜病变等疾病的早期筛查。

作者贡献声明

Zeyuan Ju等人共同完成算法设计、实验验证及论文撰写，Masaaki Omura与Shangce Gao提供理论指导与项目支持。

利益冲突声明

作者声明无任何财务或非财务利益冲突。

致谢

本研究受日本学术振兴会（JSPS）KAKENHI（JP25K21298、JP25K03179）和日本科学技术振兴机构（JST）SPRING计划（JPMJSP2145）资助。