一种基于CNN-Transformer的青光眼辅助诊断双编码分割网络模型

摘要

视杯与视盘的精准分割是青光眼早期筛查中形态学参数计算的关键环节，针对现有方法因局部-全局特征融合效率低、长距离依赖建模不足导致的边界模糊和分割精度受限问题，提出一种基于CNN-Transformer的青光眼辅助诊断双编码分割网络模型。首先，设计双分支互补特征融合模块替代传统跳跃连接，通过动态权重分配策略实现CNN局部细节与Transformer全局上下文的协同优化以提升特征融合效率。其次，在Transformer编码器中引入全局注意力增强模块，利用多头自注意力机制建模像素级长距离依赖关系，结合深度可分离卷积增强边界区域的上下文感知能力，有效缓解视杯/视盘边缘不连续问题。在REFUGE数据集上的实验表明，该方法在视盘分割任务中Dice系数和IoU较U-Net分别提升4.11%和5.62%；该方法在视杯分割任务中Dice系数和IoU较U-Net分别提升11.75%和19.30%。

关键词

视杯视盘分割 / 青光眼辅助诊断 / Transformer / 特征融合 / 注意力机制