一种用于船舶分割的轻量级全分辨率级联网络

《Digital Signal Processing》：A Lightweight Full-Resolution Cascade Network for Vessel Segmentation

血管分割中针对小血管和低对比度区域提出轻量级全分辨率级联网络LFRC-Net，通过改进的ConvNeXt卷积和级联特征增强模块（CFEM）提升分割精度，实验验证在多个医学影像数据集上优于现有方法。

　　
血管分割作为医学影像分析的核心环节，在糖尿病视网膜病变筛查、心血管疾病诊断及脑部血管研究等领域具有重要临床价值。当前主流的U-Net架构在处理小直径、低对比度血管时存在显著局限性，主要源于其编码器-解码器框架的结构缺陷。具体表现为：图像经过多级下采样后空间分辨率急剧下降，导致细小血管结构信息丢失；上采样过程容易引入伪影，影响分割边缘的准确性；此外，传统双分支设计在特征融合方面存在不足，难以有效整合多尺度特征信息。

针对上述问题，研究团队提出LFRC-Net全分辨率级联网络架构。该方案的核心创新体现在两个方面：首先，研发出融合递归机制与高效定位注意力（ELA）的RLConvNeXt卷积模块，通过建立特征间的动态关联，显著提升小血管的检测精度。其次，设计多级特征增强模块（CFEM），通过引入混合注意力机制、多轴组态注意力块和聚合桥梁结构，实现不同层次特征的有效融合。这种全分辨率架构避免了传统U-Net的下采样-上采样过程，在保持高分辨率特征图的同时，将计算复杂度降低约40%。

实验验证部分显示，LFRC-Net在四个标准数据集上均取得突破性进展。以CHASE_DB1数据集为例，其Dice系数达到80.99%，较当前最优模型提升2.3个百分点，对应准确率高达97.52%。这种性能优势源于双重机制：一方面，递归卷积通过多步特征交互，逐步优化血管边缘的定位精度；另一方面，级联特征增强模块通过三个子模块的协同工作，形成"粗-细-精"的渐进式特征优化流程。特别是在处理直径小于50微米的微血管时，该网络展现出优于传统U-Net架构的边缘捕捉能力。

研究团队还通过可视化分析揭示了网络的特征优化路径。在OCTA-3M数据集上，对比实验显示，传统U-Net在血管分叉处存在明显的特征断裂现象，而LFRC-Net通过全分辨率计算和递归特征传播，有效维持了分叉结构的连续性。这种改进对临床诊断具有重要意义，例如在颈动脉CTA图像中，网络对侧支循环血管的识别准确率提升至98.7%，这对早期动脉硬化筛查具有重要价值。

从工程实现角度，该网络采用模块化设计策略。RLConvNeXt模块通过设置可学习的递归权重系数，动态调整特征图的空间注意力分布，这种机制在ROSSA数据集上成功实现了对虹膜血管的精准分割。CFEM模块创新性地将通道注意力与空间注意力进行协同优化，在DCA1数据集的低对比度区域检测中，误检率下降至传统方法的1/3。特别值得关注的是，网络在跨模态迁移任务中表现出较强的泛化能力，将 fundus光学相干断层扫描（OCTA）图像分割模型迁移至X射线冠状动脉造影（CAG）领域时，Dice系数仍保持在78.6%的水平。

研究局限性主要表现在两个方面：其一，在极端低对比度场景（如光学相干断层扫描中的深层血管），网络对噪声的鲁棒性仍需提升；其二，针对动态血管运动的跟踪精度有待加强，特别是在心脏MRI动态序列中，存在约0.8秒的时序延迟。未来工作将重点开发多模态自适应学习框架，并引入时域注意力机制以应对动态影像分析需求。

该研究的工程化应用价值体现在两个方面：首先，全分辨率架构使计算资源需求降低约60%，特别适合移动医疗设备部署；其次，模块化设计支持功能扩展，已成功集成到三维血管重建系统中。在临床验证中，使用LFRC-Net分割的血管图像，经三位眼科专家和两位心内科医师盲评测试，诊断一致性达96.8%，较传统方法提升11个百分点。

技术演进路径显示，该研究突破了当前医学图像分割的两个技术瓶颈：一是空间分辨率与计算效率的平衡问题，通过全分辨率架构实现；二是多尺度特征融合的优化难题，借助级联增强模块解决。这种创新设计思路为后续医学影像网络架构提供了重要参考，特别是在病理切片分析和内窥镜影像处理等新兴领域，该框架展现出良好的迁移潜力。

值得注意的是，研究团队在数据预处理环节提出了创新性解决方案。针对血管图像常见的光照不均问题，开发基于深度学习的自适应增强模块，在OCTA图像中可将信噪比提升约15dB。这种预处理优化与核心网络的协同工作，使整体模型在复杂场景下的泛化能力显著增强。在跨中心验证测试中，模型在不同设备采集的医学影像上表现出稳定的性能，验证了其在真实临床环境中的适用性。

从技术发展角度看，LFRC-Net的提出标志着医学图像分割进入全分辨率架构时代。其核心突破在于：通过改进卷积核结构解决特征提取效率问题，借助级联特征融合机制提升模型鲁棒性，最终在保持高精度的同时降低计算负载。这种"架构创新+模块优化"的双轮驱动策略，为解决医学影像分析中的计算资源限制提供了新思路。后续研究可沿着三个方向深化：首先，开发跨模态特征对齐机制以提升多影像融合能力；其次，构建动态血管追踪的时序建模模块；最后，探索轻量化模型在边缘计算设备上的部署优化方案。这些技术延伸方向将为构建新一代智能医学影像分析系统奠定重要基础。