Malaviya National Institute of Technology Jaipur

视网膜疾病分级此前多依赖原始彩色眼底图，低对比病灶和细血管容易被光照与噪声淹没。F2D-RetinaNet把增强后的绿通道与血管图分成两条支路分别学习，再融合成一次分级决策。在APTOS 2019的糖网五级分期上准确率为93.32%，比只用RGB图像的基线高3.25个百分点；在严格排除重叠图像的外部DREAM-RFI集上准确率为87.14%。

视网膜疾病分级此前多依赖原始彩色眼底图，低对比病灶和细血管容易被光照与噪声淹没。F2D-RetinaNet把增强后的绿通道与血管图分成两条支路分别学习，再融合成一次分级决策。在APTOS 2019的糖网五级分期上准确率为93.32%，比只用RGB图像的基线高3.25个百分点；在严格排除重叠图像的外部DREAM-RFI集上准确率为87.14%。

该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。

该工作提出基于 Mamba 的 SRMA-Mamba 网络，用 Spatial Anatomy-Based Mamba（SABMamba）在矢状、冠状、轴状三个解剖平面上做选择性扫描以构建全局空间上下文，并用 Spatial Reverse Mamba Attention（SRMA）结合粗分割图与分层编码特征逐步细化边界，在 CirrMRI600+ 的 T1W 与 T2W 数据上取得优于 SegResNet、UX-Net、MedNeXt、SwinUNETR、SwinUNETRv2 与 SegMamba 的分割指标，同时参数量与 GFLOPs 低于 SegMamba。