基于双编码器特征聚合网络（FANet）的眼底视网膜血管分割方法及其在眼科疾病辅助诊断中的应用价值

　　本研究针对眼底视网膜血管分割中局部复杂拓扑与全局分布特征难以协同建模的问题，提出了一种融合CNN与Transformer双编码器的特征聚合网络（FANet）。通过设计特征优化前馈网络（F3N）与多尺度特征融合模块，显著提升了血管分割精度，在CHASE-DB1等数据集上超越现有主流方法，为眼科疾病智能诊断提供新方案。

　　

眼底视网膜血管分割在辅助诊断与监测相关眼科疾病中具有重要意义。由于眼底血管同时具备局部复杂拓扑结构（如分支形态）和全局广域分布的特性，为协同捕捉局部细节与全局上下文信息并实现深度融合，本研究提出一种基于双编码器的特征聚合网络（Feature Aggregation Network, FANet）。该网络采用卷积神经网络（Convolutional Neural Network, CNN）与Transformer分别构建双路径编码器，用于提取局部细节特征与全局上下文特征。其中，为增强Transformer模块中前馈网络（Feed-Forward Network, FFN）的特征表达能力，设计了特征优化前馈网络（Feature-Optimized FFN, F3N）。进一步引入双路径特征聚合（Dual Path Feature Aggregation, DPFA）模块，实现CNN与Transformer路径特征的高效融合。最后通过多尺度特征聚合（Multi-scale Feature Aggregation, MFA）模块获取丰富多尺度信息，以适应血管的尺度变化特性。在CHASE-DB1、DRIVE和STARE数据集上的实验表明，FANet在多项评估指标的综合性能比较中优于现有主流分割方法，验证了其有效性。