基于增强边缘引导注意力混合框架的眼底视盘与视杯分割研究

《BMC Ophthalmology》：Optic disc and cup segmentation using Vision Mamba UNet with enhanced edge-guided attention in fundus images

　　

摘要

背景

青光眼是一种不可逆的致盲性眼病，早期检测至关重要。对视盘（OD）和视杯（OC）进行精确分割可实现准确的杯盘比（CDR）计算，这是青光眼评估的重要参考依据。然而，这些结构之间的边界模糊导致手动分割耗时且高度主观。

方法

本研究提出了一种用于眼底图像中视盘和视杯分割的混合框架。该框架首先采用YOLOv10对视盘区域进行粗略定位与提取，随后利用所提出的EEGA-VMUNet网络进行精细分割。基于Vision Mamba-UNet骨干网络，我们设计了一个增强边缘引导注意力（EEGA）模块，以自适应地融合多尺度上下文信息。该模块增强了边缘和精细结构特征的表征能力。此外，还采用了多尺度损失函数以提高对尺度变化的鲁棒性。

结果

在四个基准数据集上的实验表明，EEGA-VMUNet取得了具有竞争力的分割性能。在同域测试集上，视盘的Dice系数范围为95.20%至97.65%，视杯的Dice系数范围为87.51%至89.95%。零样本跨域实验实现了视盘Dice为95.18%、视杯Dice为85.13%的结果。

结论

所提出的模型在视盘和视杯分割任务中均取得了具有竞争力的性能。Bland-Altman分析表明，所推导的垂直杯盘比（VCDR）在青光眼筛查中作为诊断辅助工具具有潜力，但其精度在纵向监测方面可能需要进一步提升。