論文解讀

糖尿病正成為全球健康危機，國際糖尿病聯盟預測2045年患者將達7億。其中糖尿病視網膜病變(DR)引發的微血管異常、新生血管(NV)等病理改變，會不可逆損傷視力。光學相干斷層掃描血管成像(OCTA)作為無創三維成像技術，雖能避免傳統熒光造影的過敏風險，但其依賴血流信號檢測的特性，導致早期微動脈瘤等低血流病變易被漏診，加之成像過程中的條紋噪聲干擾，使得現有基于單一空間域特征的卷積神經網絡(CNN)分割精度受限。

針對這一挑戰，來自中國的研究團隊在《Biomedical Signal Processing and Control》發表創新成果。他們首創多域融合網絡(MFNet)，通過三大核心技術突破：1) 構建多級離散小波變換(DWT)頻率域編碼器，在去噪同時提取多尺度紋理特征；2) 設計帶門控機制的域融合模塊(DFM)，實現空間-頻率特征動態對齊；3) 引入全局認知模塊(GCM)中的ConvTrans單元(CTU)，建立病灶長程依賴關系。實驗采用DRAC2022和WF-OCTA公開數據集，涵蓋NV、視網膜內微血管異常(IRMA)等關鍵病變類型。

方法論
研究團隊利用DRAC2022提供的超廣角OCTA(UW-OCTA)標準化數據集，通過雙分支架構同步處理空間域(CNN)和頻率域(DWT)特征。頻率編碼器采用3級Haar小波分解，對每級高頻成分閾值去噪；DFM模塊通過門控權重動態融合跨域特征；GCM模塊采用三分支CTU結構增強全局感知。訓練使用交叉熵損失和Dice系數雙優化目標。

研究結果
CNN for image segmentation
傳統FCN因感受野有限，難以捕捉OCTA中微米級病變邊界，尤其對IRMA的IoU僅37.44%。

Methodology
MFNet框架圖示顯示，頻率分支能有效抑制條紋噪聲，空間分支則更擅長定位NV等宏觀病變。

Datasets
在DRAC2022測試中，MFNet對NV/NPA/IRMA的Dice系數分別達54.48%/75.36%/37.44%，顯著優于UNet++等基線模型。

Heatmap visualization
熱圖分析證實空間編碼器精確定位NV異常區域，頻率編碼器則成功捕捉IRMA的細微紋理變化。

Conclusion
該研究開創性地驗證了頻率域特征在醫學圖像分割中的價值，MFNet對復雜病變如NV的分割性能提升12.6%，其設計的DFM模塊為多模態特征融合提供了新范式。

重要意義
這項工作不僅為糖尿病視網膜病變的早期診斷提供了更精準的AI工具，其創新的跨域特征融合思路，對CT、MRI等多噪聲醫學影像分析具有普適性參考價值。研究獲得山東省自然科學基金(ZR2020MF105)等多項支持，代碼已開源。作者聲明無利益沖突，后續將探索MFNet在黃斑變性等疾病中的應用。