基于密集生成对抗网络与快速注意力机制损失平衡的视网膜血管分割方法优化研究

　　本研究针对视网膜血管自动化分割中细小血管识别困难与损失函数优化不足的难题，提出融合QCBF预处理、DAGNN-VGG16特征提取、Dense GAN-QAN分割与SBA损失优化的集成框架。在CHASE-DB1、STARE和DRIVE数据集上取得平均准确率99.87%的突破性性能，为糖尿病视网膜病变等血管性疾病诊断提供高精度工具。

　　

通过整合多项前沿技术，本研究构建了全新的视网膜血管分割流水线。预处理阶段采用准交叉双边滤波（Quasi-Cross Bilateral Filtering, QCBF）有效抑制噪声并增强血管对比度。特征提取使用结合VGG16的定向无环图神经网络（Directed Acyclic Graph Neural Network with VGG16, DAGNN-VGG16），实现具有拓扑感知的层次化特征学习。分割核心采用密集生成对抗网络与快速注意力机制（Dense Generative Adversarial Network with Quick Attention Network, Dense GAN-QAN）的联合架构，通过损失平衡机制强化细微血管特征捕捉。训练过程引入群体双极算法（Swarm Bipolar Algorithm, SBA）动态优化损失收敛。在CHASE-DB1、STARE和DRIVE三大权威数据集上的六折交叉验证表明，该方法在准确率(99.87%)、F₁-score(99.82%)、精确度(99.84%)、召回率(99.78%)和特异性(99.87%)指标上均达到领先水平，显著提升了对毛细血管末梢的分割能力，为血管阻塞、糖尿病视网膜病变等疾病的临床诊断提供了高可靠性解决方案。