LFMCA-Net：一种基于自适应边缘感知和多阶段特征融合的轻量级视网膜血管分割方法

《Image and Vision Computing》：LFMCA-Net: A lightweight retinal vessel segmentation method based on adaptive edge perception and multi-stage feature fusion

视网膜血管分割轻量级网络，通过边缘感知模块和跨尺度特征融合模块提升小血管及边缘分割精度，结合自适应损失函数优化训练，在DRIVE、STARE等数据集上验证有效性。

　　

吕翔|马玉亮|杨来富|魏凯华|范山辉|王强

杭州电子科技大学自动化学院，中国杭州，310018

摘要

视网膜血管的分割对于辅助诊断眼底相关疾病至关重要。为了解决现有方法存在的问题，如模型复杂性高、上下文信息融合不足以及边缘感知能力弱等，我们提出了一种轻量级的视网膜血管分割网络LFMCA-Net。该网络通过整合多个高效模块，旨在准确提取细粒度的血管结构。首先，我们引入了轻量级细节增强模块（LDEB），用可分离的卷积和注意力机制替代U-Net的基本跳跃连接，以增强边缘和细节的表现。其次，设计了跨特征细化融合模块（CFRFM），通过跨尺度融合和局部特征增强来促进有效的多级信息交互。第三，提出了自适应特征融合模块（AFFB），通过动态加权整合跨尺度输出，使模型能够适应粗略和精细的血管结构。此外，我们还提出了自适应加权组合损失函数（ATCE-Dice Loss），通过可学习参数动态平衡多个损失项，从而在训练过程中加强监督，提高了血管边缘和小分支的检测能力。在DRIVE、STARE和CHASEDB1等公开数据集上的实验结果表明，LFMCA-Net在计算复杂度降低的情况下实现了具有竞争力的分割性能，显示出其在临床和移动应用中的潜力。

引言

许多眼部和系统性疾病，包括青光眼、糖尿病视网膜病变和高血压性视网膜病变，都可以通过视网膜血管的形态和分布特征早期发现。准确分割视网膜的血管结构对于获得补充诊断和制定治疗计划至关重要，因为这些疾病在早期通常表现为视网膜图像中的细微变化，特别是血管扩张、扭曲或渗漏[1]、[2]。

由于多种原因，精确的血管分割仍然是视网膜血管分割任务中的一个难题[3]。（1）复杂的血管结构。眼底图像中总是存在各种大小的血管。在诊断眼部疾病时，视网膜静脉的形状至关重要。整体分割精度的提高在很大程度上依赖于对微小血管的精确分割。（2）对比度低和背景复杂。眼底图像中常见的对比度低和背景复杂情况会进一步降低血管分割的精度。（3）病理病变的干扰。不同病变区域的存在也可能影响整体分割性能。

近年来，基于机器学习和深度学习的视网膜血管分割方法取得了显著进展[4]、[5]。由于卷积神经网络在层次化特征表示和上下文信息提取方面的优势，其在分割领域逐渐受到欢迎。医学图像分割广泛使用了U-Net结构，该结构包括对称的编码-解码设计和跳跃连接方法[6]。然而，当前的主流方法仍存在以下不足：首先，对小血管和边缘细节的建模能力不足；其次，跨尺度上下文信息融合不够充分，限制了模型对全局和局部特征的综合理解；第三，一些高性能模型结构复杂且参数数量庞大，难以在资源有限的临床设备中部署[7]。

本研究提出了LFMCA-Net，这是一种基于两个关键特性（边缘感知和多阶段融合）的轻量级视网膜血管分割方法，以解决上述问题。本文的主要贡献如下：

1. 我们提出了LFMCA-Net，这是一种基于自适应边缘感知和多阶段特征融合的轻量级视网膜血管分割网络。该网络通过三个关键模块（轻量级细节增强模块（LDEB）、跨尺度特征细化融合模块（CFRFM）和自适应特征融合模块（AFFB）有效捕捉复杂多变的血管结构，并在具有挑战性的背景下提取细微的边缘细节，同时辅以高效通道注意力（ECA）机制。

2. 受经典边缘检测滤波器的启发，我们设计了轻量级细节增强模块（LDEB），以增强分割细小和低对比度血管所需的边缘信息。如图所示，LDEB结合了具有LeakyReLU激活函数的可学习卷积层，通过深度卷积和ECA注意力等高效设计选择，增强了血管边缘结构的同时保持了轻量级架构。

3. 为了实现有效的特征细化和多尺度表示，我们提出了跨特征细化融合模块（CFRFM）。CFRFM的动机是在不显著增加模型深度或参数的情况下捕获多尺度上下文信息。如架构图所示，CFRFM结合了1 × 1卷积、3 × 3深度卷积（DWConv）和ECA注意力机制，高效地在不同语义级别的特征图之间传递信息。该模块在特征细化融合框架内包含下采样和上采样操作，实现了全面的多尺度特征提取，同时保持了轻量级设计。

4. 为了增强对粗细血管的分割能力，我们开发了自适应特征融合模块（AFFB）。如图所示，AFFB接受阶段输入，并通过重新缩放操作和ECA注意力进行特征自适应融合。与传统使用固定融合权重的U形网络不同，AFFB引入了一种自适应机制，根据特征与分割任务的相关性动态调整权重。这使得网络能够动态平衡多尺度特征：包含细血管细节的浅层特征在细血管分割中获得更高的权重，而深层语义特征则更多地贡献于全局结构理解。此外，我们提出了ATCE-Dice Loss，这是一种自适应损失函数，可以在训练过程中动态调整每个损失成分的贡献。通过学习平衡Dice损失和BCE损失，这种自适应机制进一步增强了模型对细血管和血管边界区域的关注，从而获得更精确的分割结果。

本文的其余部分安排如下：第2节回顾相关工作，第3节详细描述LFMCA-Net，第4节描述数据集和评估指标，第5节给出实验结果和分析，第6节描述消融实验，第7节给出结论和未来工作。

相关研究

相关工作

在医学成像领域，视网膜血管分割尤为重要，尤其是在计算机辅助诊断多种眼部疾病方面。在计算机视觉中，视网膜血管分割基本上是一种语义分割任务。近年来，由于计算机硬件性能的进步，深度学习技术在血管分割问题中逐渐占据主导地位[8]。与机器学习技术[9]、[10]相比，这种方法提供了端到端的解决方案

整体架构

准确分割视网膜血管非常困难。主要挑战在于血管本身具有不同的厚度、变化的形态，并且经常处于复杂的背景中，这使得精确检测变得困难。本研究提出了一种独特的轻量级分割网络LFMCA-Net，其总体拓扑结构如图1所示，旨在提高分割精度。它通过使用四层U-Net构建了一个深度轻量级分割网络

数据集

本研究使用了三个广泛认可的数据集：DRIVE[22]、STARE[23]和CHASEDB1[24]。每个数据集的详细信息如下：

DRIVE：DRIVE数据集包含40张视网膜眼底图像，每张图像的分辨率为584 × 565像素。其中20张图像用于训练，剩余20张图像用于测试，将数据集均匀分为两个子集。

STARE：该数据集包含20张分辨率为605 × 700像素的视网膜眼底图像，分为16

对比实验

为了展示LFMCA-Net的优越分割性能，本节提供了全面的实验结果及其与其他先进网络的对比分析。本研究采用定量分析和可视化分析相结合的方法进行性能测试，以更准确地评估所提出的LFMCA-Net的有效性。

模块消融实验

为了验证LFMCA-Net中各个模块的有效性，我们使用了广泛使用的DRIVE数据集进行了消融实验。最初，我们使用U-Net网络作为基线模型。为了评估它们对提高视网膜血管分割精度的贡献，我们逐步加入了修改后的残差块（MRB）、轻量级细节增强块（LDEB）、跨尺度特征细化融合块（CFRFM）和自适应特征融合块

结论与未来展望

针对视网膜图像中小血管难以分割以及传统网络参数过大的问题，本文提出了一种基于自适应边缘感知和多阶段融合的轻量级视网膜血管分割方法LFMCA-Net。LFMCA-Net能够高效捕获视网膜血管结构和详细特征，尤其是细小血管，同时保持了轻量级的结构设计，并在很大程度上提高了

CRediT作者贡献声明

吕翔：撰写 – 审稿与编辑，撰写 – 原稿，软件，资源，方法论，调查，形式分析，数据管理。马玉亮：监督，项目管理，资金获取，概念化。杨来富：撰写 – 审稿与编辑，验证，资源，调查，资金获取。魏凯华：可视化，监督，形式分析。范山辉：监督，资源。王强：监督，项目管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（项目编号：62271182、62071161）和杭州电子科技大学研究生研究创新基金（项目编号：CXJJ2024107）的支持。我们还要感谢为收集和共享DRIVE、STARE和CHASEDB1数据集所做的努力。