# 视网膜血管分割

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。

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。

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%。