视网膜血管的自动分割技术有助于早期诊断和治疗与视网膜相关的疾病。由于视网膜血管结构复杂且精细, 眼底图像存在着低对比度、光照不均以及病理性渗出物等因素的干扰, 导致该任务仍然具有挑战性。针对该任务主流框架U-Net中未考虑全局语义依赖关系以及编码器和解码器之间的语义鸿沟问题, 提出了一种同尺度和跨尺度增强的U-Net模型。从两个角度对该模型进行设计: 对于同一尺度的编码-解码层, 一种空间增强的自注意力机制被嵌入到每个编码层中以增强模型的全局空间聚合能力, 并进一步将其拓展到解码端来缓解解码过程中上采样操作带来的信息丢失等问题; 对于不同尺度的编码-解码层, 引入了一种新颖的跨尺度融合模块, 通过动态地选择最深层中丰富的特征信息来增强与其它层之间的语义交互, 从而进一步弥合编码器和解码器之间的语义鸿沟。在DRIVE、CHASE_DB1和STARE三个视网膜标准数据集上进行了实验验证, 实验结果表明I2A-Net能有效地分割出视网膜血管结构, 相比与基线模型, 在各项评价指标上均取得了较高的提升。

针对视网膜血管分割中有标签图像数据有限、血管结构复杂尺度不一且易受病变区域干扰等问题，提出一种多尺度密集注意力网络用于视网膜血管分割。首先，以U-Net架构为基础，引入并行空间和通道挤压激励注意力密集块（scSE-DB）代替传统卷积层，加强特征传播能力，实现了对特征信息的双重校准，使模型能更好地识别血管像素；其次，在网络底端嵌入级联空洞卷积模块，以捕获多尺度血管特征信息，提升网络获取深层语义特征的能力；最后，在公共数据集DRIVE、CHASE_DB1和STARE上进行实验，所提网络的准确率分别为96.50%、96.62%和96.75%，灵敏度分别为84.17%、83.34%和80.39%，特异性分别为98.22%、97.95%和98.67%。所提网络的整体分割性能优于现有多数先进算法。

针对当前视网膜图像分割方法中存在的细小血管像素模糊以及较厚视网膜血管边缘细节丢失等问题,本文设计了一种基于改进U-Net与Mini-U-Net网络相结合的两阶段训练分割方法。首先,在全尺寸U-Net网络后加入一个小尺寸的Mini-U-Net对图像中的模糊血管像素进行二次训练,以提升模糊血管像素的分割效果;其次,将两个网络编解码过程中的原始卷积层改为残差卷积模块,使原始特征信息被更完整地保留;最后,在两个网络的跳跃连接处引入注意力机制,使任务目标集中在血管像素上,提高分割精度。该方法在DRIVE和STARE公共眼底图像数据集上进行测试的精确率分别为0.8331和0.8563,召回率分别为0.8396和0.8639,F1-Score分别为0.8351和0.8609,准确率分别为0.9698和0.9787,整体分割结果相较其他分割方法更好。

提出一种基于超像素仿射传播聚类的视网膜血管分割方法。首先对预处理后的图像提取Hessian最大本征值、Gabor小波、B-COSFIRE滤波特征,构建3维眼底图像像素特征;同时对眼底图像进行超像素分块,并采用一致性准则对所分的超像素块进行筛选,得到超像素候选块;把超像素候选块当作样本点,把候选块内的像素特征的统计平均值当作特征向量,在特征空间中进行仿射传播聚类得出血管类和背景类两个聚类中心;根据血管类和背景类两个聚类中心,采用最近邻方法对眼底像素进行分类,实现对视网膜血管的分割。实验表明:在DRIVE和STARE眼底图像数据库上,本文算法的平均准确率分别为94.63%和94.30%;相较于K-means、模糊C均值(FCM)和其他聚类方法,本方法对血管的识别度高,所分割的视网膜血管有较好的连续性和完整性。