面向彩色眼底图像的视网膜血管分割研究.pdfVIP

面向彩色眼底图像的视网膜血管分割研究.pdf

摘要

视网膜血管的形态和结构变化与眼部疾病及全身性并发症密切相关。临床诊断中，

血管形态学特征（如长度、曲率、分支模式）和病理表现（如出血、渗出、新生血管增

生）是重要诊断依据。传统人工诊断依赖医生目视检查及手动血管标注，存在耗时费力

的局限。因此，发展计算机辅助诊断技术来应对日益增长的筛查需求具有重要的临床应

用和研究价值。然而，眼底图像中血管结构复杂多变，图像质量参差不齐，对结果预测

的准确性造成很大影响，如何进一步提高视网膜血管的精确分割成为研究热点。本文分

别提出了两种视网膜血管分割算法，旨在增加微小血管的提取能力，特别是因病变影响

导致难以识别的微小血管。主要研究内容如下：

（1）眼底血管多为弯曲状态，并具有众多不同路径和相互交叉的分支，这会导致分

割极易出现破碎与断点。针对分割时血管提取断裂的问题，在本文中设计了一种新颖的

作用于眼底图像中的视网膜分割模型，简称HAU-Net。首先使用卷积块和蛇形卷积块取

代了U-Net网络中的传统卷积运算，使卷积核自适应地聚焦在细长曲折的血管特征上，

从而减轻血管分割断连；其次将有效的混合注意力模块嵌入在跳跃连接中，通过特征加

权提高对微小血管的关注度，并抑制不相关的背景信息。在DRIVE、CHASE_DB1和

STARE数据集上的实验证明，该方法能够有效的捕捉细小血管，减少血管断裂的情况。

（2）HAU-Net展现出了良好的分割能力，但是在处理血管与非血管特征视觉相似度

高的区域时，容易产生特征提取混淆的问题。为了缓解这一问题，本文专门设计了一种

特征增强的血管分割网络，它允许模型在分割过程中捕捉图像中的多尺度特征，简称

GMFE-Net。通过构建基于上下文聚合卷积块的全新骨干结构，有效捕捉全局特征，为后

续处理提供丰富的背景知识。借助多尺度特征融合模块的设计，确保在不同分辨率下均

能保留血管的丰富特征。为进一步强化特征表示并减少关键信息的丢失，采用了全局特

征增强模块，利用全局信息建模的方式捕获长程依赖关系，强化各层级特征。在

DRIVE、CHASE_DB1和STARE数据集上进行实验，结果表明该方法展现出了优异的全

局信息整合能力和高精度的血管分割效果。

关键词：视网膜血管分割；彩色眼底图像；特征融合；注意力机制

万方数据

Abstract

Themorphologyandstructuralchangesofretinalvesselsarecloselyassociatedwithocular

diseasesandsystemiccomplications.Inclinicaldiagnosis,vascularmorphologicalfeatures(e.g.,

length,curvature,andbranchingpatterns)andpathologicalmanifestations(e.g.,hemorrhage,

exudation,andneovascularization)serveaskeydiagnosticcriteria.Traditionalmanualdiagnosis

reliesonvisualinspectionandmanualvesselannotationbyclinicians,whichistime-consuming

andlabor-intensive.Therefore,developingcomputer-aideddiagnostictechniquestomeetthe

growingdemandforscreeningholdssignificantclinicalandresearchvalue.However,thecomplex