SEEM分割细血管总差一口气：只加0.47M参数的读出基适配器，3mm大血管Dice达91.93%
核心概要
交互式分割模型SEEM在OCTA视网膜血管上直接使用效果不佳，冻结编码器时大血管Dice只有75.83%，且其候选掩膜全部由四分之一分辨率的同一组特征图读出，难以表达1至3像素宽的细血管。读出基适配器RBA在读出端额外生成32张半分辨率基图，每个候选通过零初始化投影自行取用，只增加0.47M可训练参数。在OCTA-500 3 mm大血管上，三个随机种子平均Dice为91.93%、IoU为85.16%，比Conv-LoRA高1.72和2.90个百分点，增益集中在细血管与血管边缘，FAZ上无显著差异。
深度剖析
交互式视网膜血管分割的适配位置从编码器移到了掩膜读出端：SEEM的每个候选掩膜都是同一组四分之一分辨率特征图的加权和，RBA让候选改用一组半分辨率、随图像生成的基图。 此前的参数高效方法，如LoRA、Conv-LoRA和AdaptFormer，只改编码器特征的内容，不改其四分之一分辨率，也不改掩膜从这组特征图读出的方式。 在OCTA-500 3 mm大血管的50张测试图上，RBA在全部50张上优于LoRA秩16、Conv-LoRA和AdaptFormer；三个种子平均Dice为91.93%，比Conv-LoRA的90.22%高1.72个百分点，IoU为85.16%对82.26%。
RBA由两个分支组成：读出分支从图像本身构建32张半分辨率基图，编码分支用标准秩1 LoRA提供区分动脉与静脉所需的信息。 读出分支的投影初始化为零，因此模型起步时与预训练SEEM完全一致，并保留SEEM的候选生成与选择规则。 在OCTA-500 3 mm与6 mm子集及ROSE-O上，增益出现在大血管、静脉和动脉上；3 mm静脉Dice为90.49%对88.87%，6 mm大血管为88.67%对85.91%，ROSE-O血管为77.55%对76.23%。
启示与展望
结果覆盖OCTA-500的3 mm与6 mm子集和ROSE-O，点击由真值模拟放置，模型自行选择候选并固定阈值0.5；所有训练与测试都在一块8GB笔记本GPU上完成。
点击来自误差驱动的模拟而非真实标注者，作者把沿血管边界点击和专家参与的研究列为后续方向；其余目标和数据集的多随机种子评估、其他OCTA设备图像以及基图数量与分辨率的消融也尚未展开。