基于动态长程依赖与多尺度视网膜边缘融合增强的视网膜血管分割新型混合方法
图像与视频处理
2025-04-21 v1 计算机视觉与模式识别
摘要
准确的视网膜血管分割提供了视网膜图像分析所必需的结构信息。然而，现有方法在多尺度血管变异性、复杂曲线和模糊边界等方面存在挑战。虽然卷积神经网络（CNN）、Transformer-based 模型和 Mamba-based 架构已推动该领域发展，但往往 suffer from vascular discontinuities 或边缘特征模糊。为解决这些限制，我们提出一种新型混合框架， synergistically 集成 CNN 与 Mamba，以实现高精度视网膜血管分割。我们的方法引入了三个关键创新：1）提出的高分辨率边缘融合网络是一种保持高分辨率的混合分割框架，结合多尺度主干网络与多尺度视网膜边缘融合（MREF）模块以增强边缘特征，确保准确且稳健的血管分割。2）动态蛇形视觉状态空间模块将动态蛇形卷积与 Mamba 结合，以适应性地捕获血管曲线细节和长程依赖。改进的八向2D蛇形选择扫描机制和动态加权策略增强了复杂血管拓扑的感知能力。3）MREF 模块通过多尺度边缘特征聚合来增强边界精度，抑制噪声的同时强调关键血管结构。在三个公开数据集上的实验表明，我们的方法实现了最先进的性能，尤其在保持血管连续性和有效分割低对比度区域的血管方面表现突出。该工作为需要精确视网膜血管分析的临床应用提供了稳健方法。代码可在 https://github.com/frank-oy/HREFNet 查阅。
引用
@article{arxiv.2504.13553,
title = {A Novel Hybrid Approach for Retinal Vessel Segmentation with Dynamic Long-Range Dependency and Multi-Scale Retinal Edge Fusion Enhancement},
author = {Yihao Ouyang and Xunheng Kuang and Mengjia Xiong and Zhida Wang and Yuanquan Wang},
journal= {arXiv preprint arXiv:2504.13553},
year = {2025}
}