深入细节：OCTAR 视网膜血管分割的局部敏感性增强
计算机视觉与模式识别
2026-05-21 v1
摘要
现有的光学相干血管切片血管分割深度学习框架大多源自 U-Net 架构，而该架构是目前大多数设计的基础。然而，这些方法大多只关注整体表征，难以解决 OCTA 特有的低局部对比度问题，这导致血管不连续和细节丢失。为此，我们提出了 LSENet，在 U-Net 架构基础上引入三个核心创新模块：为解决血管不连续问题，引入 Patch Information Enhance 模块（PIE），以取代标准的跳跃连接执行分块注意力。为缓解细节丢失，提出多尺度特征融合模块（MFF），通过从原始输入和前层层提取可视可解释特征，为 PIE 模块提供丰富的多尺度信息。最后，设计连接性细化解码器（CRD），用于细化所有层级的特征，并在最终卷积层使用大卷积核以减少碎片化。在三个公开数据集（OCTA-500、ROSE-1 和 ROSSA）上的实验表明，我们提出的 LSENet 在实现最先进性能的同时，所需参数更少。
引用
@article{arxiv.2605.20651,
title = {Gaze into the Details: Locality-Sensitive Enhancement for OCTA Retinal Vessel Segmentation},
author = {Tuopusen Huang and Ding Ma and Xiangqian Wu},
journal= {arXiv preprint arXiv:2605.20651},
year = {2026}
}