Polygon-mamba：基于多边形扫描Mamba和空间频率协作注意力的视网膜血管分割
计算机视觉与模式识别
2026-05-28 v2
摘要
视网膜血管分割对于诊断和评估眼部疾病至关重要。尤其是小视网膜血管的分割始终被视为具有挑战性和复杂性的一环。为此，我们设计了一种融合多边形扫描Mamba和空间频率协作注意力机制的混合CNN-Mamba网络，用于小血管的检测。鉴于传统Mamba架构采用水平垂直扫描方式可能损害目标结构的拓扑完整性，导致小视网膜血管在局部存在不连续，我们提出了一种多边形扫描视觉状态空间模型（PS-VSS），通过多层逆向扫描方式识别小血管的结构特征。这有效保留了像素的连通性，从而显著减轻了关于小血管信息丢失。此外，众所周知，空间域侧重于位置和结构信息，而频率域则强调全局感知和局部细节成分，我们在跳跃连接中引入了空间频率协作注意力机制（SFCAM），从空间和频率域中高效提取特征。该策略使模型能够动态增强关键特征，同时有效抑制杂乱信号。为评估本模型的效果，我们在三个公开数据集上进行测试：DRIVE、STARE和CHASE_DB1。相对于手动标注，我们的模型在三个数据集上的F1分数分别为0.8283、0.8282和0.8251，Area Under Curve（AUC）值为0.9806、0.9840和0.9866，灵敏度（Sensitivity，SE）分别为0.8268、0.8314和0.8484。通过视觉检查和定量分析，我们验证了该模型的有效性。
引用
@article{arxiv.2605.10581,
title = {Polygon-mamba: Retinal vessel segmentation using polygon scanning mamba and space-frequency collaborative attention},
author = {Yuanyuan Peng and Wen Li},
journal= {arXiv preprint arXiv:2605.10581},
year = {2026}
}