EDU-Net：基于多尺度特征融合与边界优化的视网膜病理性流液分割方法
图像与视频处理
2026-04-27 v1
摘要
目的：糖尿病视网膜水肿（DME）是糖尿病患者严重视力受损的主要原因。对视网膜流液（尤其是皮内流液IRF和亚视网膜流液SR）的量化，对管理DME具有关键作用。虽然光学相干断层扫描（OCT）可用于检测，但流液积聚的可变形态学以及噪声干扰导致的边界模糊，仍限制了OCT自动分割的准确性。方法： retrospective model development and validation study。本研究提出一种新颖的边缘引导双分支编码器-解码器网络（EDU-Net），以实现对OCT液体病灶的准确且高效的自动分割。本地特征提取分支基于EfficientNet模型，利用轻量级深度可分离卷积和高分辨率特征保留策略精准捕获微小病灶。全局特征提取分支基于大核高效卷积（LKEC）模块和下采样层设计，以增强长程依赖关系和全局语义。EDU-Net应用多类别边缘引导注意力模块，将高频边界细节信息融合到每个分辨率特征中，以优化边界分割性能。结果：在in-house和公开数据集上的广泛结果表明，EDU-Net在效率和鲁棒性方面实现了基于DSC分割性能的领先表现，尤其在IRF病灶分割方面表现突出。结论：EDU-Net整合了局部细节与全局语境，并优化了边界，提高了视网膜流液自动分割的准确性。
引用
@article{arxiv.2604.20918,
title = {EDU-Net: Retinal Pathological Fluid Segmentation in OCT Images with Multiscale Feature Fusion and Boundary Optimization},
author = {Zijun Lei and Zikang Xu and Liang Zhang and Ge Song and Hanyu Guo and Dan Cao and Yujia Zhou and Qianjin Feng},
journal= {arXiv preprint arXiv:2604.20918},
year = {2026}
}