基于眼底图像的视网膜血管精确分割对眼科疾病诊断意义重大。但视网膜血管结构高度复杂，多尺度及前、背景比例失衡，自动分割困难。因此，本文提出自适应补偿网络（SACom）实现端到端的视网膜血管精确分割。SACom以U型网络为基本框架，首先在编码器端引入可变形卷积提高复杂血管结构信息学习能力；然后在U型网络底部设计自适应多尺度对齐上下文模块提取并聚合多尺度上下文信息，对齐上下文特征；最后在解码器端设计协同补偿分支，融合多级输出提升模型的映射能力，实现精细分割。实验结果表明，SACom可有效提高视网膜血管的分割精度，在DRIVE、CHASE_DB1和STARE三个公共数据集上的准确率分别达到0.9695、0.9763和0.9753，灵敏度分别达到0.8403、0.8748和0.8506，曲线下面积（AUC）分别达到0.9880、0.9917和0.9919。

在眼科疾病的诊断中, 对视网膜血管进行分割是非常有效的一种方法。在方法使用中, 经常会遇到由于视网膜血管背景对比度低及血管末梢细节复杂导致的血管分割难度较大的问题, 通过在设计网络的过程中在基础 U-net网络中引入残差学习, 注意力机制等模块, 并将两者巧妙地结合在一起, 提出一种新型的基于 U-net的 RAU-net视网膜血管图像分割算法。首先, 在网络的编码器阶段加入残差模块, 解决了模型网络加深导致梯度爆炸以及梯度消失的问题。其次, 在网络的解码器阶段引入注意力门(attention gate, AU)模块, 用来抑制不必要的特征, 从而使模型产生更高的精度。通过在 DRIVE数据集上进行验证, 该算法的准确率、灵敏度、特异性和 F1-score分别达到了 0.7832, 0.9815, 0.9568和 0.8192。分割效果相对于普通监督学习算法较为良好。

针对视网膜血管分割存在主血管轮廓模糊、微细血管断裂和视盘边界误分割等问题，提出一种鬼影卷积自适应视网膜血管分割算法。算法一是用鬼影卷积替代神经网络中普通卷积，鬼影卷积生成丰富的血管特征图，使目标特征提取充分进行。二是将生成的特征图进行自适应融合并输入至解码层分类，自适应融合能够多尺度捕获图像信息和高质量保存细节。三是在精确定位血管像素与解决图像纹理损失过程中，构建双路径注意力引导结构将网络底层特征图与高层特征图有效结合，提高血管分割准确率。同时引入Cross-Dice Loss函数来抑制正负样本不均问题，减少因血管像素占比少而引起的分割误差，在DRIVE与STARE数据集上进行实验，其准确率分别为96.56%和97.32%，敏感度分别为84.52%和83.12%，特异性分别为98.25%和98.96%，具有较好的分割效果。

当前主流的眼底视网膜血管分割方法存在细微血管细粒度特征很难采集和细节容易丢失的问题。为解决这一问题,设计了一种改进U-Net模型算法,该算法将U-Net上下采样中的原始卷积层改为二次循环残差卷积层,提升了特征的使用效率;在解码部分引入多通道注意力模型,改善了低对比度下细小血管的分割效果。该算法在DRIVE (Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)两个数据库的准确率分别为96.89%和97.96%,敏感度分别为80.28%和82.27%,AUC(Area Under Curve)性能分别为98.41%和98.65%,较现有的先进算法有一定的提升。本文所提算法能有效提高眼底图像细微血管分割准确率。

提出了一种基于局部线结构约束的模糊C均值(FCM)聚类眼底视网膜血管分割方法。通过预处理增强血管和背景的对比度信息,采用多尺度匹配滤波器和B-COSFIRE滤波器提取像素特征,然后采用局部线结构约束的FCM聚类算法实现视网膜血管分割,最后通过后处理操作去除孤立的噪声点。在DRIVE数据库的实验结果表明,本文方法的平均准确率为94.21%,平均灵敏度为67.21%,平均特异性为98.2%。与特征空间FCM方法相比,本文方法分割的血管结构的连续性较好,提升了对细小血管检测的灵敏度。

针对视网膜图像中血管细小而导致其分割精度低等问题,通过在U-Net网络中引入Inception、空洞卷积与注意力机制等模块,提出一种改进U-Net视网膜血管图像的分割算法。首先,在编码阶段增加Inception模块,采用不同尺度的卷积核对图像进行特征提取,以获得其多尺度信息;然后,在U-Net网络的底部增加级联空洞卷积模块,以在不增加网络参数的情况下扩大卷积操作的感受野;最后,在解码阶段为反卷积操作设计了注意力机制,将注意力机制与跳跃连接方式相结合,聚焦目标特征,以解决权重分散等问题。基于标准图像集DRIVE的实验结果表明,所提算法的平均准确率、灵敏度与特异性较之U-Net算法分别提高1.15%,6.15%与0.67%,也优于其他传统分割算法。

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。

提出了一种基于多尺度特征融合的全卷积神经网络的视网膜血管分割方法,无需手工设计特征和后处理过程。利用跳跃连接构建编码器-解码器结构全卷积神经网络,将高层语义信息和低层特征信息进行融合;利用残差块进一步学习细节和纹理特征;利用不同空洞率的空洞卷积构建多尺度空间金字塔池化结构,进一步扩大感受野,充分结合图像上下文信息;采用类别平衡损失函数解决正负样本不均衡问题。实验结果表明,在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE (Structured Analysis of the Retina)数据集上的准确率分别为95.46%和96.84%,敏感性分别为80.53%和82.99%,特异性分别为97.67%和97.94%,受试者工作特征(ROC)曲线下的面积分别为97.71%和98.17%。所提方法相较于其他方法性能更优。

彩色眼底图像视网膜血管分割对于临床医学诊断有重要价值。提出了一种基于改进卷积神经网络的视网膜血管分割方法。首先,将残差学习和密集连接网络(DenseNet)相结合,更充分地利用每一层的特征;通过增加短连接的方式,缩短了低层特征图到高层特征图之间的路径,强化了特征的传播能力。其次,为了提取更多细小血管,在编码器-解码器结构的网络中加入了空洞卷积,在不增加参数的情况下增加感受野。实验结果表明,与现存其他深度学习方法相比,所提出网络结构的参数数量更少,在DRIVE标准数据集上平均准确率达到0.9556,灵敏度达到0.8036,特异性达到0.9778,受试者工作特性(ROC)曲线下的面积(AUC)达到0.9800,比现存其他深度学习方法的分割效果更优。