近日，南昌大学洪瑾博士指导的两位本科生在国际期刊《Neural Networks》（中科院二区top，人工智能领域CCF B）发表两篇关于眼科医学影像分析的研究论文，分别针对视网膜血管分割的域泛化难题与视网膜疾病的精准检测需求提出创新解决方案，相关成果为眼科医学影像的智能分析提供了实用技术参考。

进展一：DGSSA 模型攻克视网膜血管分割 “域泛化” 难题，为血管形态分析提供精准工具

该研究针对视网膜血管分割领域的 “域泛化” 难题展开，核心贡献在于：突破当前域泛化研究中 “以风格增强为主导” 的局限 —— 现有方法普遍仅通过优化图像风格（如简单的改变颜色、对比度等，或通过解耦风格信息后进行编码和增强）来适配域偏移，却忽视了训练数据与未见数据集间同样存在的结构分布差异（如不同人群的视网膜血管分支模式、直径比例、密度等解剖学差异）。为此，研究首次提出 “结构增强 + 风格增强” 协同的域泛化框架（DGSSA）：通过空间殖民算法生成模拟真实血管生长规律的人工血管结构，搭配改进的 Pix2Pix 模型构建多样化伪视网膜图像，从根源上补充结构分布多样性；同时结合 Pix2Pix 实现风格增强，覆盖成像条件差异。在 DRIVE、CHASEDB1、HRF、STARE 四大开源数据集验证中，框架以 DeepLabv3 + 为分割骨干，平均 Dice 相似系数达 77.98%，其中 STARE 数据集 Dice 系数 82.17%，HRF 数据集（含大量微小血管，结构差异显著）Dice 系数 72.66%，无需目标域数据微调即可适配不同来源影像，为临床血管形态分析提供了更具鲁棒性的工具。

该研究成果以 “DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation” 为题发表，南昌大学本科生刘博同学为第一作者，洪瑾博士为通讯作者，南昌大学为第一署名单位。

论文发表链接：https://doi.org/10.1016/j.neunet.2025.108118

进展二：WaveNet-SF 模型融合空频域学习，实现视网膜疾病超精准检测

该研究聚焦光学相干断层扫描（OCT）影像分析中的散斑噪声干扰、病灶形态多变、边缘细节模糊等问题，提出 WaveNet-SF混合模型。核心贡献在于：通过小波变换将 OCT 图像分解为低频分量（保留全局结构，用于捕捉大尺寸病灶）与高频分量（聚焦边缘细节，用于识别微小病灶），设计多尺度小波空间注意力（MSW-SA）模块精准定位不同病灶，同时引入高频特征补偿（HFFC）模块恢复边缘信息并抑制噪声，实现空间域与频率域特征的协同学习。在 OCT-C8（8 类疾病）与 OCT2017（4 类疾病）两大开源数据集测试中，模型分类准确率分别达 97.82% 与 99.58%，即使在高噪声场景（PSNR=19.28dB）下，OCT2017 数据集准确率仍保持 94.78%，且在跨来源的 OCT-Ext8 外部数据集上无需微调即可实现 71.84% 的准确率，为视网膜疾病的自动化检测提供了实用技术方案。

该研究成果以 “WaveNet-SF: A hybrid network for retinal disease detection based on wavelet transform in spatial-frequency domain” 为题发表，南昌大学本科生程季岚同学为第一作者，洪瑾博士为通讯作者，南昌大学为第一署名单位。

论文发表链接：https://doi.org/10.1016/j.neunet.2025.108189

两项研究均得到国家自然科学基金（62466033）、江西省自然科学基金（20242BAB20070）的资助。成果不仅解决了视网膜医学影像分析中的具体技术难题，其提出的结构 - 风格增强、空频域协同学习思路，也为其他医学影像任务提供了参考；同时，本科生作为第一作者完成研究并发表高水平论文，体现了南昌大学在本科生科研创新能力培养方面的成效。