CT-MFENet: Context Transformer and Multi-Scale Feature Extraction Network via Global-Local Features Fusion for Retinal Vessels Segmentation

CT-MFENet：基于全局-局部特征融合的用于视网膜血管分割的上下文Transformer和多尺度特征提取网络

邵党国，杨元彪，马磊，易三莉

（昆明理工大学 信息工程与自动化学院，昆明 650500）

摘要：眼底视网膜血管的分割对于诊断眼部疾病至关重要。视网膜血管图像分割通常受到类别不平衡和血管尺度变化大的影响。这最终导致分割血管的不完整和连续性较差。本研究中，提出了CT-MFENet来解决上述问题。首先，使用上下文Transformer（CT）来整合上下文特征信息，这有助于像素间的远程建模，从而解决了血管连续性不完整的问题。其次，使用多尺度密集残差模块代替传统的CNN，以解决模型遇到多尺度血管时局部特征提取能力不足的问题。在解码阶段，引入的局部-全局融合模块增强了局部血管信息，并减小了高低级别特征之间的语义间隙。为了解决视网膜图像中的类别不平衡问题，提出一种混合损失函数，增强了模型对拓扑结构的分割能力。在公开的DRIVE、CHASEDB1、STARE和IOSTAR数据集上进行了实验。实验结果表明，提出的CT-MFENet在性能上优于大多数现有方法，包括基模型U-Net。

关键词：视网膜血管分割，上下文Transformer，多尺度稠密残差，混合损失函数，全局-局部融合

 点击分享码全文pdf浏览：https://rdcu.be/dMUZS

Shao, D., Yang, Y., Ma, L. et al. CT-MFENet: Context Transformer and Multi-Scale Feature Extraction Network via Global-Local Features Fusion for Retinal Vessels Segmentation. J. Shanghai Jiaotong Univ. (Sci.) (2024). https://doi.org/10.1007/s12204-024-2748-6 

《上海交通大学学报（英文版）》是由教育部主管、上海交通大学主办的自然科学综合性学术期刊，被 EI、Scopus等检索系统收录。主要刊登反映基础理论和工程领域实验研究的最新成果，如电子工程和自动化、计算机和通信工程、船舶海洋和建筑工程、材料科学与工程以及生物医学工程等。从 2021 年开始，《上海交通大学学报（英文版）》主要刊登医工交叉研究和人工智能及其在工程中的应用成果。 

英文版主页：https://xuebao.sjtu.edu.cn/sjtu_en/EN/1007-1172/home.shtml

英文版 on Springer：https://link.springer.com/journal/12204