LightVesselNet：一种用于视网膜血管分割的超轻量级（参数少于10万）网络
本文提出LightVesselNet，一种仅含75K参数的高效神经网络，用于资源受限环境下的视网膜血管分割。该网络采用紧凑的编码器-解码器架构，结合通道和空间注意力机制、瓶颈处的多尺度特征聚合模块以及解码器中的亚像素上采样策略。专用边缘残差连接在解码过程中保留精细血管细节。在DRIVE、STARE、CHASEDB1、FIVES和HRF五个公开数据集上的实验结果表明，其灵敏度分别为0.8189、0.8499、0.8640、0.8634、0.8096，Dice系数分别为0.8070、0.8072、0.8181、0.8649、0.7686。与最先进模型相比，LightVesselNet在效率（性能与参数或GFlops之比）上有所提升。跨数据集评估证实了模型的泛化能力。总体而言，LightVesselNet是低资源临床环境和移动筛查工具的有力候选。
视网膜血管分割是糖尿病视网膜病变和青光眼早期诊断的关键步骤。近年来，基于深度学习的模型取得了很高的分割精度，但这些模型通常需要大量的计算资源，难以部署在边缘设备上，限制了其在临床实践中的应用。针对这一挑战，研究人员提出了一种名为LightVesselNet的超轻量级神经网络，旨在资源受限的环境中实现高效的视网膜血管分割。
LightVesselNet的核心是一个紧凑的编码器-解码器架构，仅包含75K个参数，却能够与大型模型竞争。该网络集成了多种先进技术：通道注意力和空间注意力机制增强了特征表达能力；瓶颈处的多尺度特征聚合模块捕获不同尺度的血管信息；解码器中的亚像素上采样策略提高了分辨率；而专用的边缘残差连接则在整个解码过程中保留了血管的精细结构。这些设计共同使得LightVesselNet在保持高精度的同时，极大减少了参数量和计算复杂度。
研究团队在五个公开数据集上对模型进行了全面评估，包括DRIVE、STARE、CHASEDB1、FIVES和HRF。实验结果显示，LightVesselNet的灵敏度分别为0.8189、0.8499、0.8640、0.8634和0.8096，Dice系数分别为0.8070、0.8072、0.8181、0.8649和0.7686。与最先进模型相比，LightVesselNet在性能与参数量或GFlops的比值上表现出更高的效率。此外，跨数据集评估进一步验证了模型的泛化能力，表明其在不同成像条件下均能稳定工作。
LightVesselNet的轻量化特性使其特别适合部署在低资源临床环境，如偏远地区的诊所或移动筛查设备中。该技术有望集成到便携式眼底相机等设备中，实现实时、准确的视网膜血管分析，从而扩大AI辅助诊断的覆盖范围，改善医疗服务的可及性。