新颖的判别性细粒度特征提取方法，用于提升视网膜血管分割效果

《Image and Vision Computing》：Novel extraction of discriminative fine-grained feature to improve retinal vessel segmentation

视网膜血管分割的自动检测对糖尿病视网膜病变等眼部疾病早期诊断至关重要。本文提出AttUKAN模型，通过引入注意力门机制增强跨层特征融合，并设计标签引导的像素级对比损失函数提升细粒度特征提取能力。实验表明，AttUKAN在DRIVE、STARE、CHASE_DB1、HRF及私有数据集上F1分数达80.09%-82.50%，MIoU达66.94%-70.24%，优于11种现有方法。

　　在医学影像分析领域，视网膜血管分割是一项具有重要意义的任务。视网膜血管的异常变化常常是多种严重眼病的早期征兆，例如糖尿病视网膜病变（Diabetic Retinopathy, DR）和高血压视网膜病变（Hypertensive Retinopathy, HR）。这些疾病不仅影响患者的视力，还可能引发更严重的并发症。因此，通过分析视网膜血管图像，实现精准的血管分割，对于疾病的早期发现、诊断和评估具有关键作用。

视网膜血管分割的核心目标是为每张视网膜图像中的每一个像素预测其类别标签，这需要模型在图像内部实现良好的区分能力。然而，尽管近年来随着神经网络的发展，视网膜血管分割技术取得了显著进展，但仍存在诸多挑战。一方面，现有的分割方法主要关注于减少解码器输出与真实标签之间的差异，通过损失函数进行优化，却忽略了充分利用编码器中提取的特征级细粒度表示。另一方面，视网膜图像本身具有高度复杂性，包括形态学差异、低对比度和光照伪影、解剖结构干扰以及图像质量波动等问题，这些都对分割任务提出了更高的要求。

形态学差异是视网膜血管分割的一大难题。视网膜血管的宽度差异极大，从1到20个像素不等，形状也十分多样，既有弯曲的主干血管，也有细小的分支血管。这种形态学上的多样性使得统一的特征提取变得困难，而病理变化（如出血、渗出）则可能模仿血管结构，导致分割过程中出现误判或假阳性。此外，视网膜血管在图像边缘区域往往与背景融合，这主要是由于强度对比度较低；而在图像中心区域，由于光照不均匀（如中央光反射与暗边缘之间的差异），也会对纹理特征造成干扰。这些因素共同影响了分割的准确性。

解剖结构干扰也是视网膜血管分割过程中需要克服的障碍。视网膜图像中的视盘区域（optic disk）和病理病变（如微动脉瘤）往往形成复杂的结构，干扰了血管的分割路径，使得分割模型难以连续地识别血管。图像质量的波动则进一步加剧了这一问题。在图像采集过程中，因聚焦不准确、运动模糊或眼球运动（如扫视）等因素，图像的清晰度受到影响，尤其是对细小血管的识别。此外，人工标注过程也存在较大的主观性和差异性，不同专家之间的标注结果可能会有超过20%的偏差，这在一定程度上限制了模型的泛化能力。

为了解决这些问题，近年来的研究逐渐转向基于深度学习的自动化分割方法。相比于传统的手动分割方式，算法分割不仅提高了效率，还减少了人为误差。其中，卷积神经网络（Convolutional Neural Networks, CNNs）因其在图像分类和分割任务中的强大表现，成为研究的重点。随后，全卷积网络（Fully Convolutional Networks, FCNs）的出现，使得端到端的语义分割成为可能。受FCNs启发，UNet架构通过编码器-解码器结构和跳跃连接（skip connections）实现了对低层次特征和高层次特征的融合，从而在保持局部细节的同时，也能够理解全局上下文信息。这种设计在视网膜血管分割任务中表现出色，因此，UNet的多种变体被广泛应用于该领域。

然而，随着研究的深入，人们发现，现有的UNet变体在处理细粒度特征提取方面仍存在局限。虽然它们能够实现较高的分割精度，但在面对复杂、低对比度或形态多样的血管结构时，效果并不理想。此外，传统的损失函数（如二元交叉熵损失、Dice损失和Jaccard损失）主要关注于解码器输出与标签之间的匹配，而未能充分利用编码器中提取的特征级表示，这在一定程度上限制了模型的性能。

为了解决上述问题，研究者们提出了基于对比学习（Contrastive Learning, CL）的方法。作为一种自监督学习的子集，对比学习框架通过设计合适的对比损失函数，将相似的特征表示拉近，将不同的特征表示推远，从而实现对更具有判别性的特征提取。这一方法在视网膜血管分割任务中展现出巨大的潜力，因为它能够有效提升模型对细粒度特征的识别能力。

基于以上研究背景，本文提出了一种新型的视网膜血管分割模型——AttUKAN。AttUKAN结合了注意力机制和Kolmogorov-Arnold网络（KANs）的优势，通过在UKAN架构中引入注意力门（Attention Gates, AGs），实现了对跳过连接中特征的有选择性过滤。这种设计不仅增强了模型的敏感性，还能提高模型的可解释性。同时，本文还设计了一种新的损失函数——标签引导的像素级对比损失（Label-guided Pixel-wise Contrastive Loss, LPCL），该损失函数通过区分前景血管像素对和背景像素对，引导模型提取更具判别性的特征级细粒度表示。

在实验方面，本文在四个公开数据集（DRIVE、STARE、CHASE_DB1、HRF）以及一个私有数据集上进行了测试。结果表明，AttUKAN在所有数据集上的F1分数和MIoU分数均优于现有的11种分割模型，达到了82.50%、81.14%、81.34%、80.21%和80.09%的F1分数，以及70.24%、68.64%、68.59%、67.21%和66.94%的MIoU分数。这些结果不仅证明了AttUKAN在视网膜血管分割任务中的优越性，还表明该模型在不同数据集上的泛化能力较强。

为了验证模型的各个组件的有效性，本文还进行了消融实验。通过将不同的组件（如注意力门和对比损失）逐一应用到UKAN上，并与传统的损失函数进行比较，实验结果表明，注意力门和对比损失的引入对模型性能有显著提升。此外，本文还分析了不同损失函数对模型训练过程的影响，进一步验证了对比损失在提升特征提取能力方面的有效性。

本文的研究成果不仅在技术层面具有重要意义，还在实际应用中展现出巨大的潜力。视网膜血管分割作为眼科诊断的重要工具，能够帮助医生更早、更准确地识别疾病征兆，从而提高治疗效果。通过引入注意力机制和对比损失，AttUKAN不仅提升了模型的性能，还增强了其可解释性和泛化能力，使得该模型在复杂场景下也能保持较高的分割精度。

此外，本文还探讨了未来可能的研究方向。随着深度学习技术的不断发展，视网膜血管分割任务仍有较大的优化空间。例如，可以进一步探索如何在更复杂的病理变化背景下提升模型的鲁棒性；如何在低分辨率或低对比度的图像中实现更准确的分割；以及如何通过多模态数据融合（如结合光学相干断层扫描数据）来提高分割的准确性。同时，注意力机制和对比学习的结合也为其他医学影像分析任务提供了新的思路，如肺部结节分割、脑部肿瘤检测等。

在方法实现方面，本文详细描述了AttUKAN的架构设计。首先，通过编码器对输入图像进行特征提取，获取不同层次的特征表示。然后，通过注意力门对这些特征进行筛选，去除不相关的激活，保留具有判别性的特征。最后，通过解码器将这些特征重新组合，生成最终的分割结果。这种设计使得模型在保持高精度的同时，也能够有效处理图像中的噪声和干扰因素。

在损失函数设计方面，本文提出的标签引导的像素级对比损失（LPCL）具有独特的优势。该损失函数不仅能够区分前景血管像素对和背景像素对，还能通过对比学习的方式，引导模型提取更具判别性的特征。相比于传统的损失函数，LPCL在特征提取方面表现出更高的效率和准确性，使得模型在复杂场景下也能保持较高的分割性能。

实验结果显示，AttUKAN在多个数据集上的表现均优于现有的分割模型。这表明，该模型不仅适用于标准数据集，也能够在实际应用中保持较高的泛化能力。此外，消融实验进一步验证了各个组件的有效性，表明注意力门和对比损失的引入对模型性能有显著提升。这些结果不仅为视网膜血管分割任务提供了新的解决方案，也为其他医学影像分析任务提供了参考。

总的来说，本文提出的AttUKAN模型通过结合注意力机制和对比学习，有效解决了视网膜血管分割中的关键问题。该模型在多个数据集上的实验结果表明，其在性能、可解释性和泛化能力方面均具有显著优势。未来，随着深度学习技术的不断发展，视网膜血管分割任务仍有较大的研究空间，而本文的方法为这一领域提供了新的思路和技术支持。同时，本文的研究成果也为其他医学影像分析任务提供了借鉴，具有广泛的应用前景。

在实际应用中，视网膜血管分割技术可以帮助医生更早地发现疾病征兆，从而提高治疗效果。通过引入注意力机制和对比损失，AttUKAN不仅提升了模型的性能，还增强了其可解释性和泛化能力，使得该模型在复杂场景下也能保持较高的分割精度。此外，该模型的开源代码也为其他研究者提供了便利，有助于推动该领域的进一步发展。

综上所述，本文的研究成果不仅在技术层面具有重要意义，还在实际应用中展现出巨大的潜力。通过引入注意力机制和对比学习，AttUKAN有效解决了视网膜血管分割中的关键问题，为这一领域提供了新的解决方案。未来，随着深度学习技术的不断发展，视网膜血管分割任务仍有较大的研究空间，而本文的方法为这一领域提供了新的思路和技术支持。同时，本文的研究成果也为其他医学影像分析任务提供了借鉴，具有广泛的应用前景。