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。

肝脏血管的精确分割对肝脏外科术前规划有重要意义，然而肝脏中的血管树复杂且高度交织，精确地分割肝脏血管一直是一项具有挑战性的任务。传统的3D-UNet模型由于采样层过多，会使得肝脏血管的细节信息在网络的传播过程中丢失，单纯减少采样层使得模型表达能力下降。以3D-UNet为基础，在网络中加入重组再校准模型，加强通道与空间中细节信息的传播，抑制相关性低的信息；在模型中加入注意力机制，对特征图进行整体约束，使模型关注区域集中在血管处；最后调整采样层，保证多尺度语义信息的同时，防止过多采样层带来的细节信息丢失。改进后的模型的Dice Score、Sensitivity评价指标的最优结果分别为64.8%、73.15%。实验结果表明，改进后的模型比MPUNet、UMCT、nnU-Net、C2FNAS-Panc在肝脏血管分割上的效果都要好。

针对视网膜血管在分割过程容易出现细节特征信息丢失、血管轮廓模糊等问题, 提出一种改进的循环分割对抗网络算法。该算法改进了分割器的网络模型, 在U型网络上、下采样过程中添加了密集连接结构, 充分保留了图像的特征信息, 提升了模型的泛化能力以及鲁棒性, 缓解了过度分割现象。为防止网络退化, 将损失函数替换为最小二乘函数, 提高了图像的分割质量, 提升了网络模型训练的稳定性。实验结果表明, 本文的网络模型在DRIVE以及CHASE数据集中, 两者分割的准确性、敏感性分别达到了96.93%、84.30%以及96.94%、79.92%。该算法具有较好的网络泛化能力以及分割准确率, 可以为疾病诊断提供重要的依据。

视网膜血管分割是检测多种眼病的重要手段,在视网膜疾病自动筛查系统中发挥重要作用。针对现存方法对细小血管分割不足且易出现病理误分割的问题,提出了一种基于多尺度注意力解析网络的分割算法。该网络以编码-解码架构为基础,在子模块中引入注意力残差块,加强了特征传播能力,降低了光照不均、对比度低对模型的影响;在编码器和解码器之间增加跳跃连接并去掉传统池化层,以保留足够的血管细节信息;运用并行多分支结构和空间金字塔池化两种多尺度特征融合方法,实现不同感受野下的特征提取,提升血管分割性能。实验结果表明,该方法在CHASEDB1和STARE标准集上的F₁值分别达到了83.26%和82.56%,灵敏度分别达到了83.51%和81.20%,其性能优于当前主流方法。

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。

早产儿视网膜病变是一种血管增生性疾病,是导致新生儿视网膜受损或致盲的主要原因之一。通过分割和分析早产儿眼底图像中的血管结构,可以对早产儿视网膜病变进行早期诊断和监测。早产儿视网膜血管较成年人视网膜血管对比度低且存在脉络膜重叠等问题,从而会导致视网膜血管分割准确率不高和敏感度较低等问题。为解决这些问题,在U-net框架下提出FDMU-net新生儿视网膜血管分割模型。该模型融入密集连接层来提高特征利用率,在编码和解码通道拼接过程中,采用多尺度卷积核特征融合方式来提高感受野,并利用血管骨架加权focal loss损失函数来提高网络对模糊样本的分割精度。利用本文提出的FDMU-net模型在DRIVE和STARE两个公开数据集上进行实验,准确率分别达到96.75%和96.85%,敏感度分别达到81.52%和84.84%。在临床早产儿眼底数据集实验中,对比U-net模型、AttentionResU-net模型及多尺度特征融合全卷积神经网络模型,本文提出的FDMU-net模型在准确率和敏感度上有较大的提高,可较好地解决血管丢失及敏感度较低的问题,有效分割出早产儿视网膜血管。

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。