一种基于频率驱动的视网膜血管分割方法

《Computer Methods and Programs in Biomedicine》:A frequency-driven method for retinal vessel segmentation

【字体: 大 中 小 】 时间:2026年10月08日 来源:Computer Methods and Programs in Biomedicine 6.4

编辑推荐:

  摘要 背景与目标:视网膜血管分割对于诊断和监测眼部及系统性疾病至关重要。然而,大多数现有的深度学习方法主要在空间域中运行,这限制了它们捕捉精细血管结构和保持拓扑连续性的能力,尤其是在处理细小和低对比度的血管时。现有的基于频率的方法大多依赖于固定的变换或简单的特征拼接,缺乏针对

  摘要
背景与目标:视网膜血管分割对于诊断和监测眼部及系统性疾病至关重要。然而,大多数现有的深度学习方法主要在空间域中运行,这限制了它们捕捉精细血管结构和保持拓扑连续性的能力,尤其是在处理细小和低对比度的血管时。现有的基于频率的方法大多依赖于固定的变换或简单的特征拼接,缺乏针对任务的适应性频谱建模。我们开发了一个基于频率的框架来解决这些限制。

方法:我们实现了FRetinalNet,一个基于频率的编码器-解码器架构。编码器采用了一个频率特征调整模块(FFTBlock),该模块在频谱域中对卷积核进行参数化,并通过逆傅里叶变换(FFT)根据上下文线索对其进行自适应调制。来自并行分支的空间和频率特征通过一个具有跨模态注意力的频率感知融合模块(FaFBlock)进行融合。解码器包括用于精细边界恢复和全局结构一致性的双分辨率分支,以及一个辅助解码器用于补充监督。训练分为两个阶段:第一阶段使用原始图像和双树复杂小波变换(DTCWT)输入对编码器进行预训练,采用一致性损失;第二阶段在监督目标下转移权重并进行微调。我们在DRIVE、STARE和OCTA-500数据集上进行了评估,使用Dice分数、灵敏度、特异性、准确率和AUC作为评价指标。

结果:FRetinalNet在DRIVE(0.8578)和STARE(0.8696)上获得了最高的Dice分数,优于最先进的方法。在OCTA-500数据集上,它在6毫米子集上获得了最佳的动脉(0.8864)和静脉(0.9055)Dice分数,在3毫米子集上获得了最佳的动脉(0.9169)和静脉(0.9101)Dice分数。消融研究证实,两阶段训练将Dice分数从0.8390提高到了0.8578,并且所有提出的组件都提供了互补的好处。

结论:显式整合可学习的频谱参数化和跨域特征融合提高了精细结构的描绘和拓扑连续性。两阶段训练流程为视网膜和OCTA模态提供了稳健的频率感知初始化。

引言
视网膜血管对于眼睛感知光的能力至关重要。这些血管的结构异常或损伤可能导致威胁视力的疾病,如糖尿病视网膜病变、黄斑水肿和青光眼[1]。因此,准确的血管分割对于定量评估和早期诊断至关重要。

已经开发了多种眼科成像方法从不同的角度可视化视网膜血管。眼底摄影提供了视网膜表面的二维、色彩丰富的图像,突出显示较大的血管并实现动脉与静脉的区分。光学相干断层扫描血管造影(OCTA)提供了高分辨率的视网膜微血管成像,能够捕捉多层中的毛细血管级别细节。像DRIVE[2]和STARE[3]这样的公共数据集以及用于OCTA的OCTA-500[4]数据集,促进了分割算法的发展和比较。

尽管如此,由于多尺度结构、复杂的分支以及低对比度或扭曲的血管,视网膜血管分割仍然具有挑战性。早期的方法主要依赖于手工制作的血管增强滤波器[5]或形态学运算符[6],但它们对人工设计特征的强烈依赖性限制了其稳健性和泛化能力。在过去的十年中,基于深度学习的方法[7]显著推进了这一领域的发展。卷积网络[8]和注意力机制[9]被广泛采用,从而实现了性能提升的专门用于视网膜血管分割的架构[10]、[11]。然而,大多数最新的深度网络仍然主要在空间域中对视网膜血管进行建模,其中学习是由局部强度模式和空间注意力驱动的。当目标结构接近噪声底限时(这在细小血管、分叉处和低对比度毛细血管中很常见),这种设计往往显得脆弱,并可能导致破碎的预测,破坏血管的拓扑结构。频域表示通过明确表征依赖于尺度和方向的组件,提供了另一种图像内容视图,并已被用于加强更广泛视觉任务中的边缘和纹理敏感性学习。然而,在眼科分割中,频率线索通常通过固定的变换或简单的特征拼接引入,留下了两个未充分解决的空白:(i)如何在运算符层面学习任务适配的频率响应,而不是依赖于人工设计的频谱;(ii)如何在统一的训练目标下稳定地对齐不同尺度上的空间和频谱特征。

为了应对这些限制,我们提出了FRetinalNet,一个基于频率的视网膜血管分割编码器-解码器框架。FRetinalNet将频域信息明确纳入网络架构和训练流程中。编码器引入了一个频率特征调整模块(FFTBlock),这是一个任务适应的频谱动态滤波模块。它在先前的频率自适应卷积的基础上进行了构建,并结合了可学习的频谱基与全局-局部上下文调制和输出频谱精细化。FFTBlock的设计基于视网膜血管的特性。它们的多尺度、强方向性和频繁低对比度的结构产生了具有区分性的响应。这些响应分布在不同的频率尺度和方向上,并且可以直接在频谱参数空间中调整。现有的频率动态卷积方法基于具有实数值频谱系数的固定傅里叶基[12]、[13]。相比之下,FFTBlock学习了针对视网膜血管的尺度和方向特性的任务适配的复数值频谱基。频率感知融合模块(FaFBlock)通过残差注意力自适应融合空间和频谱域特征。解码器采用双分辨率设计,并从频域分支获得辅助监督,旨在支持边界重建和拓扑敏感的分割。

为了进一步利用频率线索,我们设计了两阶段训练策略。在第一阶段,使用原始图像及其双树复杂小波变换(DTCWT)对应图像对编码器进行训练,通过掩码一致性损失鼓励原始图像和DTCWT衍生输入视图之间的一致性。在第二阶段,将预训练的编码器转移到完整的分割网络中,并在监督目标下进行微调,从而在评估的训练协议下得到了改进的结果。

主要贡献如下:
• 面向视网膜血管分割的频谱动态滤波运算符。我们提出了FFTBlock,一个频谱动态滤波运算符。它将卷积核参数化为可学习的复数值频谱基,并通过逆FFT恢复空间滤波器。因此,其频率响应可以直接根据血管的尺度和方向进行调节。全局-局部上下文条件和组间频谱调制使得这种响应能够适应输入。
• 频率引导的空间-频谱融合。我们设计了FaFBlock。它从小波域分支中提取频率引导的门控信号,并通过跨模态注意力将其注入空间表示中,从而对齐两个分支并加强空间-频谱对应关系。
• 用于频率感知初始化的一致性预训练。我们引入了两阶段训练方案,其中第一阶段在原始图像和DTCWT视图的对上对编码器进行预训练,采用预测一致性损失,产生一个频率感知的初始化,从而稳定后续的监督微调。

本文的其余部分组织如下:第2节回顾相关工作。第3节详细介绍了提出的FRetinalNet。第4节报告实验设置和结果。第5节总结了本文并讨论了未来方向。

相关工作
我们简要回顾了用于视网膜血管分割的空间域深度学习方法和用于医学图像分析的频域方法。

整体框架
本节描述了FRetinalNet,一个结合了小波派生线索和傅里叶频谱参数化的频率感知视网膜血管分割框架,以改善细小血管的描绘和拓扑连续性。图1展示了整体流程。这里,小波域指的是DTCWT子带,而频谱域指的是在提出的模块中使用的基于FFT的操作。这两种频率表示在结果中扮演着不同且互补的角色。

结果
本节报告了FRetinalNet在眼底和OCTA血管分割基准测试上的实验设置和全面评估。我们首先描述了数据集和实现细节,然后展示了定量比较、定性可视化和消融研究。

结论
视网膜血管分割是评估与眼部及系统性疾病相关的血管改变的关键步骤。然而,许多现有模型主要在空间域中进行优化,并没有明确利用频率线索,这在分割细小血管和在低对比度或成像噪声下保持连通性时可能会产生不利影响。在这项工作中,我们提出了FRetinalNet,一个基于频率的分割框架,它将小波派生的表示整合到CRediT中。

作者贡献声明
熊浩然:撰写——原始草稿、方法论、调查、形式分析、概念化。龙飞:可视化、项目管理、形式分析、数据管理。胡航:验证、方法论、概念化。李勇:验证、监督、资源管理、调查。张珊军:撰写——审阅与编辑、验证、监督、资金获取。桑军:撰写——审阅与编辑、验证、监督、资金获取、形式分析。

代码可用性
FRetinalNet的源代码,包括模型实现、官方DRIVE协议的评估代码和预训练权重,可在https://github.com/SuperXionghaoren/FRetinalNet公开获取。

伦理声明
本研究使用了公开可用的视网膜图像数据集(DRIVE、STARE和OCTA-500)。这些数据集是广泛使用的去标识化基准数据集,已由原始作者发布并公开供研究用途。本研究未涉及人类参与者、人体生物材料或动物;因此,不需要伦理批准和知情同意。

写作过程中关于生成式AI和AI辅助技术的声明
在准备本工作时,作者使用了GLM-5.3进行语言润色。使用该工具后,作者根据需要审查和编辑了内容,并对出版物的内容全权负责。

资助
本研究得到了重庆市科学与健康联合医学研究重点项目(项目编号2025ZDXM014)的支持。

利益冲突声明
作者声明没有利益冲突。

致谢
本研究得到了重庆市科学与健康联合医学研究重点项目(项目编号2025ZDXM014)的支持。作者声明没有利益冲突。本研究中使用的DRIVE、STARE和OCTA-500数据集来自它们的原始出版物,可公开获取。

作者名单
熊浩然 | 龙飞 | 胡航 | 李勇 | 张珊军 | 桑军
重庆大学大数据与软件工程学院,中国重庆,401331
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号