基于深度学习的视网膜血管分割研究综述.docVIP

基于深度学习的视网膜血管分割研究综述

视网膜血管作为人体唯一能够无创直接观察的深部微血管系统，其形态、管径、分叉角度等特征与高血压、糖尿病、青光眼等多种全身性疾病的发生发展密切相关。通过对眼底图像中血管结构的精准分割，医生可定量评估血管病变程度，实现相关疾病的早期筛查与风险预测。传统视网膜血管分割方法多依赖手工设计特征与阈值分割、匹配滤波等规则，易受图像对比度低、血管边界模糊、病理区域干扰等因素影响，在复杂临床场景下鲁棒性不足。近年来深度学习技术在计算机视觉领域的突破性进展，为视网膜血管分割任务提供了全新的技术路径，相关研究成果在分割精度、效率与泛化能力上均实现了显著提升。

深度学习视网膜血管分割的主流网络架构

全卷积网络架构的适应性改进

全卷积网络（FCN）首次实现了端到端的像素级语义分割，其取消全连接层、采用转置卷积上采样恢复特征图尺寸的设计思路，为视网膜血管分割任务奠定了核心架构基础。针对视网膜血管管径跨度大、细小血管占比高的特点，研究者对FCN架构进行了多维度优化。多尺度特征融合模块被广泛引入网络结构，通过并联不同膨胀率的空洞卷积层，在不增加计算成本的前提下扩大感受野，同时捕获微血管的细粒度细节与大血管的全局形态特征。例如部分研究提出的多尺度空洞卷积金字塔模块，能够同时提取1像素、3像素、5像素等不同尺度的血管特征，对直径小于2像素的细小血管分割精度提升可达15%以上。

U