DGSSA：融合结构与风格增强的视网膜血管分割领域泛化新策略

本文提出DGSSA模型，通过空间殖民算法生成仿生血管结构与改进型Pix2Pix模型相结合，创新性地实现视网膜血管结构与风格的协同增强，在DRIVE/CHASEDB1/HRF/STARE数据集上达到77.98%平均DSC值，为跨域医疗影像分析提供新范式。

　　

¹研究亮点²

• 首次将结构增强与风格增强技术创新融合，提出适用于眼底视网膜分割的领域泛化（DG）框架，显著提升模型跨域泛化能力

• 采用空间殖民算法生成高度仿真的血管样结构，通过配备多尺度判别器的增强型Pix2Pix模型生成具有复杂血管模式的视网膜图像，有效拓宽模型对血管结构分布的认知

• 利用PixMix进行随机光度增强并引入不确定性扰动，全面提升眼底图像风格多样性，增强模型在不同成像条件下的适应性

• 在四大挑战性数据集（DRIVE/CHASEDB1/HRF/STARE）实现最先进（SOTA）性能，DSC值分别达78.45%、78.62%、72.66%和82.17%

³视网膜血管分割⁴

早期研究主要基于传统图像处理技术（如手工滤波器、形态学操作），近年来U-Net等深度学习模型取得显著进展，但域偏移（Domain Shift）问题仍导致模型在未知域表现下降。

⁵方法⁶

领域泛化（DG）旨在通过从多个源域学习构建适用于未知域的模型。定义输入空间X（视网膜图像）和输出空间Y（血管分割），通过结构增强与风格增强的双重策略应对不同人群、设备间的结构与风格分布变异。

⁷数据集⁸

采用STARE（20样本）、HRF（45样本）、DRIVE（40样本）和CHASEDB1（28样本）四大公共数据集，涵盖不同临床中心、扫描设备和人群，确保数据多样性。

⁹领域泛化方法对比¹⁰

DGSSA框架显著优于现有DG方法：DoFE方法因特征空间聚合不足而泛化受限；BigAug依赖人工定义参数虽有一定效果，但未充分考虑结构分布差异。我们的方法在各项指标上均展现卓越性能。

¹¹结论¹²

本研究提出的领域泛化方法通过结构与风格增强策略的有效整合，在四大数据集上实现性能突破，平均DSC达77.98%，证实了该方法在临床自动化视网膜血管分析中的应用潜力。