HAIC-NET：自监督预训练与双重一致性在OCTA血管分割中的应用

1. HAIC-NET 技术背景与应用场景

光学相干断层扫描血管成像（OCTA）是一种非侵入性的眼底血管成像技术，相比传统荧光素血管造影具有无创、高分辨率、可分层观察等优势。在糖尿病视网膜病变、青光眼等眼科疾病的早期诊断中，OCTA能清晰显示视网膜各层微血管网络的变化。

然而OCTA图像中的血管分割面临三大核心挑战：

• 血管结构复杂：视网膜毛细血管直径仅5-10微米，且存在大量分叉和弯曲
• 图像质量问题：运动伪影、投影伪影和低信噪比影响分割精度
• 标注成本高昂：专业医师标注单张OCTA图像平均需要30-45分钟

HAIC-NET创新性地结合了自监督预训练任务和双重一致性训练，在仅使用10%标注数据的情况下，达到了与全监督方法相当的分割性能（Dice系数0.891 vs 0.902）。该网络在三个公开数据集（OCTA-500、ROSE、OCTA-6M）上的跨域测试表明，其泛化性能优于现有SOTA方法15%以上。

2. 网络架构设计与核心创新点

2.1 整体框架概述

HAIC-NET采用双分支编码器-解码器结构，包含：

• 主分割分支：基于改进的U-Net架构，编码器使用ResNet-34预训练权重
• 辅助自监督分支：通过血管形态学特征预测实现特征预训练
• 双重一致性模块：包含特征级一致性（FCM）和输出级一致性（OCM）

网络训练分为两个阶段：

1. 自监督预训练阶段：仅使用无标注数据学习血管结构特征
2. 半监督微调阶段：联合使用标注和未标注数据进行端到端训练

2.2 自监督预训练任务设计

创新性地提出血管走向预测（Vessel Orientation Prediction，VOP）任务作为预训练目标。具体实现：

1. 对输入图像应用随机旋转变换（θ ∈ [0°, 360°]）
2. 使用Sobel算子提取血管边缘特征
3. 构建6通道方向特征图（每60°一个区间）
4. 网络需预测输入图像的旋转角度（分类任务）

该预训练任务迫使网络学习到血管的几何特征和拓扑结构，在后续分割任务中表现出更好的泛化能力。实验表明，采用VOP预训练可使Dice系数提升7.3%。

2.3 双重一致性训练机制

2.3.1 特征级一致性模块（FCM）

• 对同一图像施加不同数据增强（如高斯噪声、随机裁剪）
• 在