LFA-Net：一种基于 LiteFusion 注意力机制的轻量级视网膜血管分割网络
计算机视觉与模式识别
2025-09-29 v1 人工智能
摘要
轻量级视网膜血管分割对于威胁视力和全身性疾病的早期诊断具有重要意义，尤其是在计算资源有限的真实临床环境中。尽管基于深度学习的分割方法不断改进，但现有模型仍面临小血管分割和高计算成本的挑战。为了应对这些挑战，我们提出了一种新的血管分割网络 LFA-Net，它融合了新设计的注意力模块 LiteFusion-Attention。该注意力模块结合了残差学习连接、受 Vision Mamba 启发的动态机制以及基于调制的注意力，使模型能够以轻量级方式高效捕获局部和全局上下文。LFA-Net 具有 0.11 百万参数、0.42 MB 内存占用和 4.46 GFLOPs 的高性能表现，使其成为资源受限环境的理想选择。我们在 DRIVE、STARE 和 CHASE_DB 上验证了所提出的模型，其 Dice 系数分别达到 83.28%、87.44% 和 84.50%，Jaccard 指数分别达到 72.85%、79.31% 和 74.70%，表现优异。LFA-Net 的代码可在网上获取 https://github.com/Mehwish4593/LFA-Net。
引用
@article{arxiv.2509.21738,
title = {LFA-Net: A Lightweight Network with LiteFusion Attention for Retinal Vessel Segmentation},
author = {Mehwish Mehmood and Ivor Spence and Muhammad Fahim},
journal= {arXiv preprint arXiv:2509.21738},
year = {2025}
}