该研究提出了一种新型的注意力U形Kolmogorov-Arnold网络（AttUKAN），旨在提高视网膜血管分割的细粒特征提取能力。通过标签引导的逐像素对比损失，增强了模型的敏感性和解释性。实验结果表明，AttUKAN在多个公开数据集上取得了最佳的F1和MIoU评分，显示了其在提高分割准确性方面的潜力。

研究通过眼底图像进行视网膜血管分割，评估五个模型在 FIVES 数据集上的表现。结果表明，U-Net 等基本架构在数据充足时效果良好，图像质量是关键因素。高质量数据集结合标准架构优于复杂架构在低质量数据集上的表现，为临床模型选择提供参考。

研究通过眼底图像进行视网膜血管分割，评估五个模型在 FIVES 数据集上的表现。结果表明，U-Net 等基本架构在高质量图像下效果良好。高质量数据集和标准架构的结合优于复杂架构在低质量数据集上的表现，为临床模型选择提供了指导。

视网膜血管分割的性能受图像质量影响，U-Net在足够训练数据下表现良好，高质量数据集与标准架构结合优于调整复杂架构。提供了选择模型的实际指导。

视网膜血管分割性能受图像质量影响，U-Net在足够训练数据下表现良好，高质量数据集与标准架构结合优于调整复杂架构。提供了临床环境下选择模型的实际指导。

本研究提出了一种准确高效的神经网络，用于光相干断层扫描血管成像（OCTA）中视网膜血管的分割。该网络具有更少的参数和更快的推理速度，适合工业应用。研究还构建了一个包含918个OCTA图像及其相应血管注释的新数据集，通过半自动注释极大地提高了注释速度。

本研究提出了一种准确高效的神经网络，用于光相干断层扫描血管成像（OCTA）中视网膜血管的分割。该网络具有更少的参数和更快的推理速度，适合工业应用。同时构建了一个包含918个OCTA图像及其相应血管注释的新数据集，研究代码和数据集可从给出的URL获取。