计算机应用

作者：崔克俭, 王志明, 邱兆文

单位：东北林业大学 计算机与控制工程学院，哈尔滨 150040

关键词：冠心病预测,视网膜血管分割,深度学习,非侵入性诊断,光学相干断层扫描血管成像

基金：黑龙江省重点研发项目(2023ZX02C10)

针对现有的视网膜分割模型在三维特征提取时易丢失血管拓扑信息导致分支断裂、二维分割结果结构连续性不足以及血管分析与疾病预测跨模态关联缺失的三大问题，提出协同框架MA_DNet（Multi-scale topology-Aware Disease Network）。该框架由增强分割模型MA_Net+与疾病预测模块组成。MA_Net+是在所提模型MA_Net（Multi-scale topology-Aware Network）的基础上，通过一个中间特征再训练模块细化并连接断裂的血管分支，从而优化拓扑完整性。首先，通过三维模块GMSF（Gated Multi-Scale Fusion）模块提取多尺度空间卷积和融合复杂分支特征，并结合ResMamba模块建模血管的长程拓扑依赖关系以增强三维特征表征，进而抑制分割结果中拓扑断裂的发生；其次，利用二维模块MA_Net+的卷积层进一步优化局部血管结构的连续性；最后，设计级联预测模块，并将形态学参数与临床指标相结合，从而构建影像特征与冠心病（CAD）风险的跨模态关联。实验结果表明，MA_Net+框架在OCTA-500公开数据集的一个数据子集上的Dice系数和Jaccard指数分别达到了93.02%和87.04%，较IPN-V2+（Image Projection Network V2+）模型分别提升了0.28和0.37个百分点；在OCTA-500的另一子集上MA_Net+框架的两个指标分别为89.76%和81.52%，较IPN-V2+模型分别提升了0.35和0.57个百分点；MA_Net+框架的疾病预测模块在某个私有数据集上的AUC（Area Under Curve）达到了86.23%。可见，MA_DNet框架通过三维拓扑建模与多尺度融合机制，能够有效提升血管分割的连续性；同时，该框架还探索了视网膜影像与CAD风险之间的跨模态关联预测，为无创心血管诊断提供了新方案。

来源：2026年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2026年第2期