HMS-VesselNet：基于层次多尺度注意力网络与拓扑保持损失的视网膜血管分割
图像与视频处理
2026-03-24 v1 计算机视觉与模式识别
摘要
基于标准重叠损失的视网膜血管分割方法倾向于遗漏薄弱周边血管，因为这些结构占据极少像素且与背景对比度低。我们提出HMS-VesselNet，一种在四个不同分辨率的平行分支上处理fundus图像的层次多尺度网络，利用学习到的融合权重组合其输出。训练损失将Dice、二值交叉熵和中心线Dice结合，联合优化区域重叠和血管连续性。从第20个epoch起应用硬例挖掘，将梯度更新集中于最难的训练图像。使用5折交叉验证，在68张来自DRIVE、STARE和CHASE_DB1的图像上测试，模型实现平均Dice为88.72±0.67%，灵敏度为90.78±1.42%，AUC为98.25±0.21%。在leave-one-dataset-out实验中，每个未见数据集的AUC均保持在95%以上。最大改进在于对薄弱周边血管的召回率，这些结构是标准方法最常遗漏且对糖尿病视网膜病变早期检测最关键的结构。
引用
@article{arxiv.2603.21891,
title = {HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation},
author = {Amarnath R},
journal= {arXiv preprint arXiv:2603.21891},
year = {2026}
}
备注
19 pages, 14 figures, 8 tables