轻量级视网膜血管分割网络LCNet：高效精准的临床辅助诊断工具
摘要
视网膜血管分割技术在计算机辅助临床诊断中至关重要。尽管深度学习技术显著提升了分割精度，但现有方法在处理细小和模糊边界时仍存在局限性，且多数主流模型依赖复杂的编码器，导致参数量大、资源需求高。为此，研究者提出了一种轻量级U形网络LCNet，通过深度可分离卷积减少参数和计算成本，并引入协同坐标注意力模块以增强特征学习。此外，LCNet还利用空洞空间金字塔池化模块捕捉多尺度特征，并通过四个侧输出层提供额外监督。实验结果显示，LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到了96.02%、97.95%、97.95%和97.77%的全局准确率，仅需2.65 M参数和21.2 GFLOPs。该模型在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色，证明了其在视网膜血管分割中的高效性和准确性。
信息来源： PubMed Ophthalmology 发布于 2026年3月6日
要点速览
- LCNet是一种轻量级U形网络，通过深度可分离卷积减少参数和计算成本。
- LCNet在DRIVE、STARE、CHASEDB1和IOSTAR四个经典数据集上分别达到96.02%、97.95%、97.95%和97.77%的全局准确率。
- LCNet在病变眼底图像和光学相干断层扫描血管成像中的表现同样出色。
本站解读
视网膜血管分割技术的进步对于眼科疾病的早期诊断和治疗具有重要意义。LCNet的提出标志着一种新的技术路线变迁，即从复杂高参数模型转向轻量级高效模型。这种转变不仅降低了计算资源的需求，还提高了模型的实用性和普及性。在全球范围内，各大科研机构和企业都在积极研发类似的技术，试图在这一领域占据领先地位。LCNet的成功表明，轻量级模型在保持高精度的同时，能够大幅降低计算成本，这对于资源有限的医疗机构尤为重要。
在国内，随着人工智能技术的不断成熟，越来越多的研究团队开始关注轻量级模型的应用。然而，国内企业在这一领域的布局相对滞后，尚未形成明显的竞争优势。未来，随着更多高质量研究成果的涌现，国内外的竞争格局可能会发生变化。值得关注的是，LCNet在多个经典数据集上的优异表现，以及其在病变眼底图像和OCTA图像中的应用潜力，预示着其在未来可能成为临床诊断的重要工具。后续需要密切留意的是，LCNet是否能在更大规模的实际临床应用中保持其高效性和准确性，以及是否有更多的轻量级模型能够在这一领域崭露头角。
常见问题
这个新模型对患者有什么好处？
LCNet作为一种轻量级视网膜血管分割模型，能够在保持高精度的同时，降低计算成本。这意味着医生可以更快地获得准确的诊断结果，从而提高诊疗效率。如有疑虑可咨询眼科医生。
这个模型和其他现有的模型相比有什么优势？
LCNet通过深度可分离卷积减少了参数和计算成本，同时引入了协同坐标注意力模块和空洞空间金字塔池化模块，增强了特征学习和多尺度特征捕捉能力。这使得LCNet在处理细小和模糊边界时表现更佳，且计算效率更高。
延伸阅读
深度学习算法在糖尿病视网膜病变中的非灌注区自动量化
该研究旨在评估一种定制的深度学习算法在超广角扫频源OCT血管成像（UWF SS-OCTA）中对非灌注区（NPA）进行自动分割的性能及其在糖尿病视网膜病变（DR）严重程度评估中的应用。研究采用横断面设计，纳入180只眼，涵盖所有DR严重程度等级。研究人员开发了一种基于多尺度U-Net骨干网络并结合挤压和激励注意力机制的卷积神经网络，用于从三种扫描模式（6 × 6 mm、12 × 12 mm 和 29 × 24 mm）的全视网膜层图像中分割NPA。通过两名独立评分者和一名玻璃体视网膜专家生成的金标准标注，以及结构OCT图像来区分真实NPA与阴影伪影。结果显示，该算法在不同扫描尺寸下均表现出高精度（F1分数分别为0.82 ± 0.01、0.84 ± 0.03 和 0.83 ± 0.02），且无显著差异。Bland-Altman分析表明，人类标记和算法预测的非灌注指数（NPI）之间具有高度一致性。结论是，该深度学习算法在单次扫描UWF SS-OCTA中实现了高精度和可扩展性，支持其作为客观DR OCTA生物标志物分析工具的潜力。
深度学习算法在视网膜自荧光图像中精准测量地理萎缩进展
该研究开发了一种基于DeepLabV3+的深度学习算法，通过同时分析纵向获取的视网膜自荧光（FAF）图像对，实现了对地理萎缩（GA）区域的自动标注和生长率的精确测量。研究利用了AREDS2和METforMIN两项独立前瞻性临床试验的数据，共涉及174名AREDS2参与者和44名METforMIN参与者。结果显示，与手动专家标注相比，该算法在精度、召回率和Dice系数方面均有显著提升，并且在保持纵向一致性方面表现优异。这些改进对于减少测量变异性、有效评估临床试验结果具有重要意义。
多尺度深度学习网络在翼状胬肉自动分割中的应用
翼状胬肉是一种需要早期识别的眼科疾病，以防止其进展导致视力损害。准确测量纤维血管组织对角膜和瞳孔区域的侵犯程度是评估病情严重程度的关键步骤。本研究通过引入多尺度深度学习网络，特别是空间金字塔池化（SPP）和空洞空间金字塔池化（ASPP）模块，有效捕捉病变特征的不同尺度。这些模块被嵌入到UNet架构的瓶颈层中，以最小化计算负担。实验结果显示，嵌入了三个并行路径EF-ASPP模块的UNet网络表现出最佳性能，Hausdorff距离仅为16.75像素。这一结果表明，通过精确提取病变图谱，可以更好地预测翼状胬肉的严重程度。