TFFM：通过潜在图推理实现拓扑感知的特征融合模块用于视网膜血管分割
计算机视觉与模式识别
2026-02-04 v2
摘要
精确分割视网膜动脉和静脉有助于诊断系统性心血管疾病。然而，标准的卷积架构通常会产生拓扑上不连续的分割结果，其特征是存在间隙和不连续性，尽管像素级精度很高，但使得可靠的基于图的临床分析无法进行。为了解决这个问题，我们引入了一个旨在维持血管连通性的拓扑感知框架。我们的架构融合了一个拓扑特征融合模块（TFFM），该模块将局部特征表示映射到一个潜在图空间，部署图注意力网络以捕获固定感受野常常遗漏的全局结构依赖关系。此外，我们使用一个混合目标函数驱动学习过程，将用于类别不平衡的 Tversky 损失与用于显式惩罚拓扑断连的软 clDice 损失相结合。在 Fundus-AVSeg 数据集上的评估揭示了最先进的性能，实现了 90.97% 的组合 Dice 分数和 3.50 像素的 95% Hausdorff 距离。值得注意的是，我们的方法相对于基线减少了约 38% 的血管碎片，产生了拓扑连贯的血管树，可用于自动生物标志物量化。我们在 https://tffm-module.github.io/ 开源了我们的代码。
引用
@article{arxiv.2601.19136,
title = {TFFM: Topology-Aware Feature Fusion Module via Latent Graph Reasoning for Retinal Vessel Segmentation},
author = {Iftekhar Ahmed and Shakib Absar and Aftar Ahmad Sami and Shadman Sakib and Debojyoti Biswas and Seraj Al Mahmud Mostafa},
journal= {arXiv preprint arXiv:2601.19136},
year = {2026}
}
备注
Accepted in WACV 2026 @ P2P-workshop as a full paper and selected for oral presentation