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。

本文介绍了多种基于深度学习的视网膜血管分割方法，包括卷积神经网络和U-net架构，最高AUC值达到97.99%。研究指出现有数据集对遗传性视网膜病变的诊断支持有限，需改进数据集和模型。新提出的DUNet和Swin-Res-Net模型在分割精度和效率上表现优异，推动了视网膜疾病的自动化诊断。

该文综述了多种视网膜血管分割深度学习方法，如RV-GAN、MRC-Net、FES-Net、IterNet、StyleGAN2结合SA-Unet及RRWNet等，采用编码解码、生成对抗网络、多尺度特征提取和迭代细化等技术，在DRIVE、STARE、CHASE等数据集上取得高AUC和准确率，提升拓扑一致性，推动临床应用。

本文综述深度学习在视网膜血管自动分割中的应用，涵盖CNN、U-Net、生成对抗网络、对比变分自编码器等模型，在DRIVE等数据集上AUC达0.974至97.99%。研究指出公共数据集对遗传性视网膜病变诊断存在局限，需更精细数据或更深模型。

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。