VFGS-Net：面向拓扑保持的视网膜血管分割的频率引导状态空间学习
计算机视觉与模式识别
2026-02-12 v1
摘要
准确的视网膜血管分割是视网膜图像定量分析和糖尿病视网膜病变等血管疾病计算机辅助诊断的关键前提。然而，视网膜血管细长的形态、广泛的尺度变化和低对比度给现有方法带来了巨大挑战，使其难以同时保留精细毛细血管并维持全局拓扑连续性。为应对这些挑战，我们提出了血管感知频域与全局空间建模网络(VFGS-Net)，这是一个端到端的分割框架，在统一架构中无缝集成了频率感知特征增强、双路径卷积表示学习和双向非对称空间状态空间建模。具体来说，VFGS-Net采用双路径特征卷积模块来联合捕获细粒度的局部纹理和多尺度上下文语义。引入了一种新颖的血管感知频域通道注意力机制，以自适应地重新加权频谱分量，从而增强高级特征中与血管相关的响应。此外，在网络瓶颈处，我们提出了一个基于双向非对称Mamba2的空间建模模块，以有效捕获长程空间依赖性并增强血管结构的全局连续性。在四个公开可用的视网膜血管数据集上进行的大量实验表明，VFGS-Net取得了与最先进方法相竞争或更优越的性能。值得注意的是，我们的模型在精细血管、复杂分支模式和低对比度区域的分割准确性上持续改进，突显了其鲁棒性和临床潜力。
引用
@article{arxiv.2602.10978,
title = {VFGS-Net: Frequency-Guided State-Space Learning for Topology-Preserving Retinal Vessel Segmentation},
author = {Ruiqi Song and Lei Liu and Ya-Nan Zhang and Chao Wang and Xiaoning Li and Nan Mu},
journal= {arXiv preprint arXiv:2602.10978},
year = {2026}
}