全尺度密集卷积U型网络的视网膜血管分割算法

针对视网膜图像中血管尺度跨度大、细小血管与背景高度相似导致误分割和未分割等问题,提出一种全尺度密集卷积U型网络的视网膜血管分割方法。为提取更复杂的特征信息,构建级联卷积融合密集块(cascade convolutional fusion dense blocks, CCF-DB)作为U型网络的编解码器用以提取视网膜血管的特征信息;在网络最底端嵌入混合注意力级联卷积密集块(mixed attention cascaded convolutional dense block, MACC-DB),进一步提升感受野,获取更高维的语义特征信息;在模型的解码部分采用全尺度的跳跃连接,捕获不同尺度下的血管特征信息,提升模型的分割精度。实验结果表明,在DRIVE数据集上,相比于U-Net、U-Net3+、SA-Unet、FR-Unet等算法,此算法的AUC值达到了98.26%,准确率为95.82%;在CHASE-DB1数据集上,此算法的AUC值达98.84%,准确率达96.66%。采用此算法进行视网膜血管分割,分割的精度和鲁棒性均有不同程度的提升,对细小血管分割达到了优良的效果。

改进D-Linknet的眼底视网膜血管分割

临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。

高糖环境下XIST对人视网膜血管内皮细胞凋亡的影响

目的:探讨高糖环境下长链非编码RNA X-非活性特异转录本(XIST)对人视网膜血管内皮细胞凋亡的影响及可能机制。方法:以人视网膜血管内皮细胞为研究对象,设对照组和高糖组,分析高糖对人视网膜血管内皮细胞XIST表达的影响;设对照组、高糖组、高糖+XIST组、高糖+阴性对照组,分析过表达XIST对高糖诱导人视网膜血管内皮细胞增殖和凋亡的影响;设对照组、高糖组、高糖+XIST组、高糖+XIST+pcDNA3.1-Wnt1组、高糖+XIST+pcDNA3.1-CON组,分析XIST通过Wnt1/β-catenin通路对高糖诱导人视网膜血管内皮细胞增殖和凋亡的影响。结果:(1)高糖组XIST相对表达量较对照组低(P<0.05)。(2)与对照组比,高糖组细胞增殖活力低,而凋亡率、Wnt1和β-catenin水平高(P<0.05);与高糖+阴性对照组比,高糖+XIST组增殖活力高,而凋亡率、Wnt1和β-catenin水平低(P<0.05)。(3)与对照组比,高糖组细胞增殖活力低,而凋亡率高(P<0.05);与高糖组比,高糖+XIST组增殖活力高,而凋亡率低(P<0.05);与高糖+XIST+pcDNA3.1-CON组比,高糖+XIST+pcDNA3.1-Wnt1组增殖活力低,而凋亡率高(P<0.05)。结论:XIST通过负调控Wnt1/β-catenin通路抑制高糖诱导的人视网膜血管内皮细胞凋亡。

视网膜血管几何参数与肾损害相关性的研究进展

肾病严重影响患者生活质量,其确诊依赖于有创检查。视网膜血管和肾小球同属于微循环系统,视网膜血管参数的异常改变是微循环障碍的表现,可能提示肾损害。研究表明,视网膜血管直径、分形维数、弯曲度与提示肾损害的生物标志物有关,可成为预测和评估肾病进展的非侵入性指标,本文就视网膜血管几何参数与肾损害相关性的研究进行综述,为未来开发新的诊断工具和治疗方法提供依据。

基于人工智能自动分析技术的视网膜血管形态参数测量及特征分析

目的基于人工智能技术对视网膜血管形态学参数进行全自动定量测量,分析我国北方50岁以上人群视网膜血管参数及分布特征。方法采用横断面研究方法,纳入2011年1月至2021年12月就诊于北京同仁医院的50岁以上无眼底病的患者1842例,对纳入的受试者进行标准化问卷调查、抽血和眼科检查;收集各受试者任意一眼以视盘为中心的彩色眼底照片,采用基于深度学习的语义分割网络ResNet101-Unet构建血管分割模型,进行全自动视网膜血管参数定量测量,主要测量指标包括视网膜血管分支夹角、血管分形维数、血管平均管径和血管平均弯曲度。比较不同性别间各视网膜参数的差异。采用多元线性回归分析法分析最佳矫正视力、眼压、眼轴长度等眼部因素和性别、年龄、高血压、糖尿病、心血管疾病等全身因素是否是各视网膜血管参数的影响因素。结果模型对于血管分割和视盘分割的准确度均高于0.95。1842例受试者血管分支夹角为(51.023±11.623)°;血管分形维数为1.573(1.542,1.592);血管平均管径为64.124(60.814,69.053)μm;血管平均弯曲度为(0.001062±0.000165)°。男性血管分支夹角大于女性,血管平均管径和血管平均弯曲度小于女性,差异均有统计学意义(均P<0.05)。全身因素多元线性回归分析结果显示,患有心血管疾病的人群较无心血管疾病的人群血管平均管径增大1.142μm(B=1.142,P=0.029,95%CI:0.116~2.167);血管平均弯曲度与高血压(B=3.053×10^(-5),P=0.002,95%CI:1.167×10^(-5)~4.934×10^(-5))和饮酒量(B=1.036×10^(-5),P=0.014,95%CI:0.211×10^(-5)~1.860×10^(-5))呈正相关,与高脂血症呈负相关(B=-2.422×10^(-5),P=0.015,95%CI:-4.382×10^(-5)~-0.462×10^(-5))。眼部因素多元线性回归分析结果显示,眼轴长度每增加1 mm,血管分形维数减小0.004(B=-0.004,P<0.001,95%CI:-0.006~-0.002),血管平均管径减小0.266μm(B=-0.266,P=0.037,95%CI:-0.516~-0.016),血管平均弯曲度减小-2.45×10^(-5)°(B=-2.45×10^(-5),P<0.001,95%CI:-0.313×10^(-5)~-0.177×10^(-5))。BCVA每增加1.0,血管分支夹角增大3.992°(B=3.992,P=0.004,95%CI:1.283~6.702),血管分形维数增大0.090(B=0.090,P<0.001,95%CI:0.078~0.102),血管平均管径减小14.813μm(B=-14.813,P<0.001,95%CI:-16.474~-13.153)。结论成功构建视网膜血管分割模型。视网膜血管参数与性别、年龄、系统性疾病和眼部因素存在关联。

Dil-UNet++:基于UNet++的多尺度融合视网膜血管分割网络模型

视网膜血管的精确分割是眼部疾病临床诊断的关键步骤,针对眼底视网膜血管结构复杂、形态多样、边缘末端细微导致分割难度高的问题,提出了一种基于UNet++新的眼底视网膜血管分割网络模型(Dil-UNet++),该方法在传统的UNet++网络基础上使用多层空洞卷积模块来实现特征提取,使网络获得大小可变的特征提取感受野,获得了更好的特征提取性能;同时在网络跳跃连接部分增加注意力机制模块提高了分割目标相关的通道权重和空间权重;并使用卷积模块代替最大池化模块实现下采样,来避免特征传递时血管细节特征丢失。在分割DRIVE视网膜血管图像数据集上的训练与验证结果表明,该模型在Dice系数、准确度和精确度分别达到87.65%、96.99%和92.82%,证明了该网络模型的有效性,从而为眼底视网膜血管图像分割提供了新的方法。

特应性皮炎伴双眼视网膜脱离及视网膜血管炎1例

特应性皮炎可伴有多种眼部并发症,如结膜炎、角膜炎、白内障和视网膜脱离等。我们报道了1例因双眼视网膜脱离及白内障就诊于眼科的21岁中国男性患者。该患者8年前诊断为特应性皮炎,并接受氯雷他定和吡美莫司治疗。我们为该患者进行了双眼白内障摘除术、右眼巩膜外加压术,以及左眼玻璃体切除及硅油填充术。术后随访期间,患者的特应性皮炎加重,眼底荧光素血管造影结果显示双眼视网膜血管广泛渗漏和左眼黄斑水肿。随后患者至皮肤科接受4个月规律的度普利尤单抗治疗,左眼黄斑水肿好转,术后3年眼部情况一直保持稳定。

一种基于改进U-net网络的视网膜血管分割方法

本文针对U-net网络在小样本数据集上分割效果不佳的问题,提出改进U-net网络的解决方案。在视网膜血管分割领域起到提升分割效果的作用。视网膜血管特征的变化是心血管疾病和中风等严重疾病的先兆。因此,对视网膜血管特征的分析可以帮助检测这些变化,并让患者在疾病仍处于早期阶段时采取行动。传统的人工视网膜血管分割方法耗时耗力,且对操作人员技术要求较高。因此,视网膜血管分割的自动化是近年来研究的热点。

脑小血管病与视网膜血管异常的相关性研究及进展

脑小血管病(CSVD)是一种动态的全脑微血管疾病,是认知功能障碍和血管性痴呆的最常见原因,因此对CSVD早期诊断和干预具有重要意义[1]。目前诊断主要基于MRI对6种神经影像的识别[2-3]。但神经影像对观察微观血流的变化存在局限性,无法检测CSVD亚临床早期的微血管改变。

基于“气血-络脉-玄府轴”新视角探讨视网膜血管性疾病的治疗

“气血学说”“络病学说”“玄府学说”是中医基础理论和中医眼科的重要组成部分,三者同轴一体,在生理和病机上密不可分。从中医学整体观念出发,脏腑为本,目为标,气血-络脉-玄府轴是脏腑与目联系的枢纽;在局部辨证的基础上,“气血-络脉-玄府轴”的稳态失衡是视网膜血管性疾病(RVD)在眼底证候的微观体现。在病症结合视角下探究RVD的临床特点,其具有气血不和、络脉失调、玄府郁闭的证候特征,核心病机可概括为“气血-络脉-玄府轴失调”;由此提出和气血、通络脉、开玄府为RVD的基本治疗原则,须贯穿疾病治疗的始终,为RVD的中医治疗提供新的思路。

基于人工智能的视网膜血管形态学量化在冠心病风险评估中的作用

目的利用机器学习和集成学习算法,构建基于眼底彩照视网膜血管形态特征量化分析的冠心病患者识别模型。方法前瞻性纳入因可疑冠心病就诊于我院心内科行冠脉造影的患者,并拍摄45度眼底彩照,利用人工智能方法获取眼底彩照视网膜动静脉血管管径、动静脉管径比、动静脉弯曲度、分形维数、分支夹角等指标。利用主成分分析和主要最优传输方向降维的方法对视网膜血管形态参数进行数据降维,利用支持向量回归、随机森林、逻辑回归、k最近邻等机器学习方法,和多数投票和模型堆叠等集成学习方法,建立基于视网膜血管形态特征参数的冠心病识别模型。结果本研究共纳入704例患者,其中488例患者诊断为冠心病,216例为非冠心病患者。通过计算最优传输Wasserstein距离找出冠心病与非冠心病患者数据差别最大的特征空间,根据主成分解释度图,前5个主成分对于原始数据特征的解释度提升较为显著,分别为黄斑中心凹附近血管弯曲度、动静脉比、平均血管管径、平均血管曲率和血管覆盖密度。利用降维后的数据进行二分类建模,并通过多数投票和模型堆叠的方法进行优化,最终冠心病识别模型准确率为81.4%,AUC为0.802(95%CI 0.771~0.837)。结论利用眼底彩照获取的视网膜血管形态学参数能够有效区分冠心病患者和非冠心病患者,准确性超过80%,视网膜血管形态学特征可以作为一种有效的生物标志物用于心血管疾病风险评估。

三空间注意力的残差U-Net在视网膜血管分割应用

针对视网膜图像末端微小血管对比度低、分割不精确问题,提出一种融合多层次残差与三空间注意力机制的U型网络用于视网膜眼底血管分割。该网络在编码部分为了减少图像特征的丢失,引入原始图像后添加多层次残差模块。此外,为防止网络深层产生梯度弥散与特征数据冗余问题,在残差模块中进一步加入批量归一化与Dropout功能。在解码部分,采用三空间注意力机制来赋予类原始图像、下采样图像和上采样图像特征不同的权重,以增强特征纹理和位置信息,并实现微小血管的精确分割。实验结果显示,在公开的彩色眼底图像数据集上,与现有算法相比,本文算法的准确率、特异性、灵敏度和AUC分别为0.985、0.991、0.829和0.985,与金标准分割结果进行对比得到的血管图具有重要的临床参考价值。

AIDS相关视网膜血管炎合并双眼黄斑缺血伴单眼视网膜黄斑支动脉阻塞1例

患者男性,28岁,因双眼视物模糊1周就诊于我院眼科,本例患者双眼眼底视网膜血管白鞘,后极部黄斑区星芒状渗出、出血及右眼黄斑水肿,荧光血管造影显示视网膜血管炎合并双眼黄斑缺血同时伴右眼视网膜分支动脉黄斑支阻塞。患者HIV检测阳性,结合全身及眼部检查,考虑其眼底病变与HIV感染相关。提示我们HIV相关眼病可以表现出非典型眼底改变,临床需加以鉴别。

改进的大核卷积U-Net视网膜血管分割方法

眼底视网膜血管结构形态复杂、对比度低,且训练样本有限,易产生过拟合现象。针对以上问题,提出一种改进的大核卷积U-Net视网膜血管分割方法(large kernel residual U-Net, LKR-UNet)。减少U-Net下采样次数和每一层的通道数缓解模型过拟合和退化问题;使用大核残差卷积模块(large kernel residual convolution block, LKR-Block)充分提取视网膜血管的特征;通过级联空间通道注意力(cascaded spatial channel attention, CSCA)模块计算空间和通道注意力,提高分割的准确性。提出方法在DRIVE和CHASE_DB1数据集上进行消融实验,在两个数据集上的敏感度分别为84.04%和83.77%,AUC分别为97.82%和98.75%,F1-score分别为82.92%和84.67%。该方法较现有先进算法有一定提升,能有效进行视网膜血管分割。

TRPC3对OIR小鼠视网膜和人视网膜血管内皮细胞生物学行为的调控作用

目的探讨瞬时受体电位阳离子通道亚家族C成员3(TRPC3)对氧诱导视网膜病变(OIR)小鼠视网膜和人视网膜血管内皮细胞(HREC)生物学行为的调控作用。方法选取健康SPF级7日龄C57BL/6小鼠32只,采用随机数字表法分为对照组和OIR组,每组16只,其中对照组不做特殊处理,OIR组小鼠诱导OIR模型。出生后第17天(PN17)采用视网膜铺片免疫荧光染色验证模型构建是否成功。将体外培养HREC分为正常对照组、转染试剂组和si-TRPC3组,其中正常对照组不做特殊处理,转染试剂组和si-TRPC3组分别采用转染试剂和转染试剂+si-TRPC3转染。采用实时荧光定量PCR法检测TRPC3 mRNA相对表达量;采用Western blot法检测TRPC3、转录因子NF-E2相关因子(Nrf2)和超氧化物歧化酶(SOD)蛋白相对表达量。另将HREC分为正常对照组、血管内皮生长因子(VEGF)组、si-TRPC3组和Pyr3(TRPC3通道抑制剂)组,分别用完全培养基、含有20 ng/ml VEGF重组蛋白的培养基、含有20 ng/ml VEGF重组蛋白的培养基(si-TRPC3转染72 h)和含有20 ng/ml VEGF重组蛋白+1μmol/L Pyr3的培养基培养48 h,采用细胞计数试剂盒8(CCK-8)检测HREC增生能力;分别采用细胞划痕实验和Transwell实验检测细胞横向和纵向迁移能力。结果PN17时OIR组小鼠视网膜出现病理性新生血管团簇强荧光染色。OIR组小鼠视网膜TRPC3 mRNA和蛋白相对表达量分别为2.057±0.244和1.517±0.290,明显高于对照组的0.983±0.033和0.874±0.052,差异均有统计学意义(t=6.165、3.094,均P<0.05)。si-TRPC3组TRPC3 mRNA和蛋白相对表达量明显低于正常对照组和转染试剂组,Nrf2和SOD蛋白相对表达量明显高于正常对照组和转染试剂组,差异均有统计学意义(均P<0.05)。CCK-8实验结果显示,VEGF组细胞吸光度(A)值明显高于正常对照组,si-TRPC3组和Pyr3组细胞A值明显低于VEGF组,差异均有统计学意义(均P<0.05)。细胞划痕实验结果显示,VEGF组细胞横向迁移率高于正常对照组,si-TRPC3组和Pyr3组细胞横向迁移率低于VEGF组,差异均有统计学意义(均P<0.05)。Transwell实验结果显示,VEGF组染色细胞数明显多于正常对照组,si-TRPC3组和Pyr3组染色细胞数明显少于VEGF组,差异均有统计学意义(均P<0.05)。结论OIR模型小鼠视网膜中TRPC3表达水平升高,下调TRPC3可抑制HREC增生和迁移能力,其机制与Nrf2氧化应激通路激活有关。

连翘苷通过调控CTRP3表达对高糖诱导的人视网膜血管内皮细胞损伤的影响及其机制研究

目的比较不同剂量连翘苷(PHN)对高糖(HG)诱导的人视网膜血管内皮细胞损伤的影响,并分析其对补体C1q/肿瘤坏死因子相关蛋白3(CTRP3)表达的调控作用及可能的作用机制。方法采用HG培养人视网膜血管内皮细胞并建立细胞损伤模型(HG组)。HG+PHN-L组、HG+PHN-M组、HG+PHN-H组人视网膜血管内皮细胞分别用1μmol·L^(-1)、10μmol·L^(-1)、100μmol·L^(-1)PHN处理后进行HG诱导。HG+pcDNA组、HG+pcDNA-CTRP3组分别用pcDNA、pcDNA-CTRP3转染至人视网膜血管内皮细胞后进行HG诱导。HG+PHN-H+sh-NC组、HG+PHN-H+sh-CTRP3组分别用sh-NC、sh-CTRP3转染后,用100μmol·L^(-1)PHN处理HG诱导的人视网膜血管内皮细胞。检测细胞丙二醛(MDA)、超氧化物歧化酶(SOD)、谷胱甘肽过氧化物酶(GSH-Px)水平。采用流式细胞术检测细胞凋亡率。采用实时荧光定量聚合酶链反应(qRT-PCR)、Western blot分别检测B淋巴细胞瘤-2(Bcl-2)、Bcl-2相关蛋白(Bax)、CTRP3蛋白表达水平。结果与Con组比较,HG组细胞凋亡率、MDA水平、Bax蛋白水平均升高,SOD、GSH-Px、Bcl-2蛋白、CTRP3 mRNA及蛋白水平均降低(均为P<0.05)。与HG组比较,HG+PHN-L组、HG+PHN-M组、HG+PHN-H组细胞凋亡率、MDA水平、Bax蛋白水平均降低,且HG+PHN-H组<HG+PHN-M组<HG+PHN-L组(均为P<0.05),SOD、GSH-Px、Bcl-2蛋白、CTRP3 mRNA及蛋白水平均升高,且HG+PHN-H组>HG+PHN-M组>HG+PHN-L组(均为P<0.05)。与HG+pcDNA组比较,HG+pcDNA-CTRP3组细胞凋亡率、MDA水平、Bax蛋白水平均降低,SOD、GSH-Px、CTRP3蛋白、Bcl-2蛋白水平均升高(均为P<0.05)。与HG+PHN-H+sh-NC组比较,HG+PHN-H+sh-CTRP3组细胞凋亡率、MDA水平、Bax蛋白水平均升高,SOD水平、GSH-Px水平、CTRP3蛋白、Bcl-2蛋白水平均降低(均为P<0.05)。结论PHN可减轻HG诱导的人视网膜血管内皮细胞损伤,其作用机制可能与上调CTRP3表达有关。

基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络

视网膜血管的形态学变化对早期眼科疾病的诊断具有重要意义,除眼科疾病外,糖尿病、心血管疾病等同样可以通过视网膜血管的形态判别疾病进展。然而,视网膜血管本身具有复杂的组织结构,且易受到光线等因素的影响,对其准确分割并不容易。针对上述问题,提出了一种视网膜血管分割网络。该网络中首先设计了粗糙注意力融合模块(rough attention fusion module,RAFM),该模块基于粗糙集上下近似理论,利用全局最大池化与全局平均池化对注意力系数进行上下限描述,并串行融合通道注意力机制与空间注意力机制;然后,将粗糙注意力融合模块融入Group Transformer U network(GT U-Net),构建一种基于粗糙注意力融合机制与Group Transformer的视网膜血管分割网络;最后,基于公开DRIVE彩色眼底图像数据集进行对比实验,该网络结构在测试集上的准确率、F_(1)分数、AUC值分别达到了0.9631、0.8488和0.9812,与GT U-Net模型相比,F_(1)分数、AUC值分别提升了0.35%、0.21%;与其他当前主流的视网膜血管分割网络进行对比,具有一定优势。

DouDil-UNet++:基于Dil-UNet++网络的双分支编码器视网膜血管分割网络模型

视网膜血管的精确分割对于辅助医生在临床诊断眼科疾病具有重要意义。针对眼底视网膜血管图像中对比度不足、噪声干扰多、血管细节不明显等问题,在Dil-UNet++网络的基础上进行改进提出了DouDil- UNet++网络对视网膜血管进行准确分割。本文提出的DouDil-UNet++网络采用了双分支编码器U形结构,Dil-UNet++作为主分割网络提取视网膜血管图像的空间细节特征信息,Tr-Net作为辅分割网络用于提取视网膜血管图像的全局语义特征信息;在Tr-Net辅分割网络中使用由五层卷积组成的特征序列化模块与使用边缘多头注意力的Transformer特征提取模块来提取图像的全局特征信息;同时使用特征融合模块对主分割网络与辅分割网络提取的特征信息进行聚合。为了验证网络的分割效果,在DRIVE和STARE视网膜血管数据集上进行了分割实验,在DRIVE数据集上该模型的Dice系数、准确度和精确度分别达到87.93%、96.39%和93.52%;在STARE数据集上该模型的Dice系数、准确度和精确度分别达到88.71%、97.79%和87.08%。结果表明本文提出的网络在分割视网膜血管图像任务中有着良好的性能,有一定的使用价值。

DU-Net:基于改进型U-Net的视网膜血管分割模型

使用视网膜血管的图像可以识别各种疾病,很多眼部疾病需要通过眼球的毛细血管状况来进行判别,因此视网膜血管的准确分割对一些疾病的早期诊断非常重要。医疗影像数据量与U-Net模型在体量上相匹配,有效避免了过拟合。但U-Net网络通常包含大量的层和参数,特别是在处理大型图像数据集时训练和推理的时间较长。为更好地分割视网膜血管,提供一个基于改进U-Net的视网膜血管图像分割方式,用Do卷积代替U-Net路径上的卷积运算,在不增加网络推理运算的情况下加快收敛速度并改善网络性能。在DRIVE数据集上的实验结果表明,与原始U-Net相比,IoU提升了1.2%,Dice提升了1.7%,Global correct提升了0.1%。

DS-TransFusion:基于改进Swin Transformer的视网膜血管自动分割

视网膜血管的准确分割在辅助筛查各种疾病方面具有重大意义.然而,当前流行的模型仍存在细小血管的分割不清晰,以及眼底血管分支末端与背景的对比度较低等问题.针对这些问题,本文提出了一种全新的视网膜血管分割模型,命名为Dual Swin Transformer Fusion(DS-TransFusion).首先,DS-TransFusion采用基于Swin Transformer的双尺度编码器子网络,以提取视网膜血管的粗粒度和细粒度特征.其次,在跳跃连接处引入了Transformer交互融合注意力(TIFA)模块,用于丰富跨视图上下文建模和语义依赖,同时捕获来自不同图像视图的数据之间的长期相关性.最后,在编码器和解码器之间,DS-TransFusion采用了多尺度注意力(MA),用于收集多尺度特征表示的全局对应关系,进一步优化模型的分割效果.实验结果表明,DS-TransFusion在公共数据集STARE、CHASEDB1和DRIVE上表现出色,准确率分别达到了96.50%、97.22%和97.80%,灵敏度达到84.10%、84.55%和83.17%.实验表明DS-TransFusion能有效提高视网膜血管分割的精度,准确分割出细小血管.对视网膜血管分割的准确度、灵敏度和特异性都有大幅提高,与现有的SOTA方法相比具有更好的分割性能.