视网膜血管分割对于糖尿病视网膜病变和青光眼的早期检测至关重要。然而，近年来虽然深度学习模型在分割精度上取得了显著进展，但它们通常需要大量的计算资源，这给在边缘设备上的实际部署带来了困难。为了解决这一问题，研究人员提出了LightVesselNet，一种专为资源受限环境设计的轻量级神经网络。
LightVesselNet的核心优势在于其极小的模型尺寸——仅包含75,000个参数，却能在视网膜血管分割任务中与规模大得多的模型竞争。该网络采用了一种紧凑的编码器-解码器架构，并融合了多种增强技术：通道和空间注意力机制帮助网络聚焦于重要的特征区域；瓶颈处的多尺度特征聚合模块能够捕捉不同尺度的上下文信息；解码器中的子像素上采样策略则有助于恢复空间分辨率。此外，一个专门的边缘残差连接在整个解码过程中保留了细微的血管细节，这对于精确分割细小的血管结构尤为重要。
为了验证LightVesselNet的有效性，研究者在五个公开可用的数据集上进行了广泛的实验：DRIVE、STARE、CHASEDB1、FIVES和HRF。实验结果显示，该模型在这些数据集上的敏感度得分分别为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。这些指标表明，尽管参数数量极少，LightVesselNet仍能实现具有竞争力的分割性能。
与当前最先进的模型相比，LightVesselNet在效率方面表现出明显优势，即性能与参数数量或GFlops的比值更高。这意味着在相同的计算预算下，该模型能提供更好的分割效果，或者以更少的计算资源达到相似的性能。此外，跨数据集评估进一步证实了模型的泛化能力，表明它能够适应不同来源的图像数据。
综上所述，LightVesselNet是低资源临床环境和移动筛查工具部署的强有力候选。其超轻量级的特性使得它非常适合在计算能力有限的设备上运行，例如便携式医疗设备或智能手机，从而有助于将视网膜筛查扩展到资源匮乏的地区。这项研究为在边缘设备上实现高效、准确的医学图像分析提供了新的思路。