NeiRNet：超广角眼底成像中视网膜动静脉分类的邻域正则化网络及其在多尺度血管结构与拓扑连续性建模中的创新应用

本文提出NeiRNet模型，通过多感受野感知模块（IRON）增强超广角（UWF）眼底图像中多尺度血管特征提取能力，并结合邻域连通性正则化层（LCE）提升动静脉（A/V）分割的拓扑连续性。该模型在7个数据集（含4个UWF和3个CFP数据集）上展现出卓越的A/V分类性能与跨模态泛化能力，为系统性疾病的视网膜血管形态量化提供重要技术支撑。

　　

Section snippets

Retinal artery and vein segmentation

视网膜动静脉（A/V）精确分类对系统性疾病诊断至关重要。尽管Welikala等人采用六层CNN实现了86.97%的像素级准确率，但该方法难以有效捕捉多尺度血管特征。后续研究通过似然传播和拓扑约束优化误分类问题，仍面临小血管识别与拓扑连续性维持的挑战。

Overall framework

NeiRNet采用两阶段分割框架。第一阶段通过U-Net生成初步A/V掩码（M_av ∈ R^3×H×W），随后将其与UWF图像拼接为六通道输入（I₂ ∈ R^6×H×W）馈入第二阶段。第二阶段编码器-解码器结构中嵌入多感受野感知模块（IRON）以提取多尺度血管特征，解码器则配备邻域连通性正则化层（LCE），通过像素间连通性预测强化血管拓扑推理能力。

Materials

研究使用四个UWF数据集（UNITE、PRIME、AV-WIDE、Clinical-UWF）进行评估。其中UNITE为内部数据集，包含34幅Optos 200Tx设备采集的200°视野图像（分辨率3900×3072），由资深眼科医生完成精细A/V标注。

Effectiveness on CFP images

在OpenBUA-AV（100幅CFP图像，分辨率2464×2268）和HRF（45幅高清CFP图像，分辨率3504×2336）数据集上的测试表明，NeiRNet在近视盘区域血管分类中保持优异性能，进一步验证其跨模态泛化能力。

Conclusion

视网膜动静脉形态变化是系统性疾病的重要生物标志物。NeiRNet通过多感受野感知与邻域连通性正则化技术，显著提升UWF图像中A/V分割的准确性与拓扑连贯性，为临床血管量化评估提供可靠工具。