针对解剖先验模型建模不足，导致视网膜层分割结果在结构上缺乏一致性，以及分割精度容易受OCT成像固有斑点噪声影响问题，本文提出了双路径可学习结构先验注意力网络（DLSANet），其核心创新在于一个新型的DLSA模块。该模块整合了两个协同组件：先验建模与引导组件以及多域特征增强组件。先验建模与引导组件通过双路径结构模式设计，学习视网膜解剖结构约束；多域特征增强组件抑制斑点噪声，同时保留结构细节。团队在自建健康数据集Retina500、两个公开病理数据集（DME、Glaucoma）上开展全面对比实验，与U net、Attention Unet、TransUnet、LightReSeg等主流方法进行验证。结果表明所提方法在 mIoU、Acc、mPA、HD95 等关键指标上均达到最优水平，分割结果连续准确、对散斑噪声与病理病变鲁棒性强，同时模型仅4.1M参数，轻量高效、具备临床部署潜力。
