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。

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。

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。

针对现有眼底血管分割方法难以辨别细小血管及交叉处血管分割断裂的问题，提出了一种基于注意力机制的多尺度U型网络。在编码阶段使用改进的残差块结构提取血管深度特征的同时有效解决过拟合问题，接着依次采用多尺度卷积模块和多尺度注意力模块进一步获取深度特征的多尺度特征信息。然后，使用MaxBlurPool进行池化，对数据进行降维并保证平移不变性。此外，在最后一个编码层引入混合注意力机制和并行空洞卷积，前者从通道和空间维度强调需要重点关注的信息，抑制背景区域的干扰；后者用来获取不同大小感受野的特征信息，且不会引入多余参数而导致计算负担。在解码部分，改进跳跃连接方式以抑制噪声的干扰并获得更加丰富的上下文信息。所提算法在公开的眼底数据集上取得了优于其他算法的分割效果。

视网膜血管的形态结构具有复杂多变的特点，针对血管图像中的交叉处和延伸处不易分割的问题，提出一种基于多方向滤波的视网膜血管分割算法，该算法进一步提升了血管图像的分割精度。首先，使用直方图均衡化、中值滤波去噪、顶帽变换等方法对绿通道的视网膜血管图像进行增强。然后，对增强后的图像进行多方向的Cake滤波，并对滤波后的结果进行融合，弱化背景中的噪声，增强血管与背景的对比度。最后，采用向量场散度的方法提取阈值并对图像进行分割，得到视网膜血管分割的最终结果。利用公开数据集DRIVE和STARE测试了算法的分割精度，实验结果表明，所提算法能够精确地分割出复杂血管的连接处，灵敏度较高，且执行时间较短。

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。

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。