基于U-Net的多尺度融合视网膜血管分割算法

易三莉，杨雪莲，王天伟，佘芙蓉，熊 馨

（1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2.云南省计算机技术应用重点实验室，云南 昆明 650500）

0 引言

视网膜血管分割为高血压、糖尿病和动脉硬化症等疾病的诊断与治疗提供了依据［1］.由于视网膜血管形态复杂多样，医生对其进行手工标注不仅耗时而且容易造成误差，因此采用自动分割技术进行眼底血管图像处理成为人们研究的热点.近年来，研究者们提出了许多血管分割方法，这些方法主要可以分为无监督学习和有监督学习方法.

无监督学习方法是利用血管的固有结构特征进行分割，不需要任何人工事先标记的信息.如Nayebifar等［2］提出基于粒子滤波的视网膜血管跟踪方法.Hassan等［3］提出基于数学形态学的视网膜血管分割方法.无监督学习方法的优点是可以直接在血管图像上对血管结构信息进行提取，便于训练.但是该方法大部分情况下是根据经验直接设计算法模型来提取特征，使其容易受到人为因素的影响，而对特征提取造成偏差导致分割结果不理想.

与无监督学习方法不同，有监督学习方法通过将大量的标注数据作为监督信息，自动对图像血管特征进行改进学习，然后进行血管分割.在有监督学习方法中，最初使用传统机器学习方法提取和学习图像特征.如Fraz等［4］使用决策树并利用形态学变换方法进行血管分割.Ricci等［5］使用SVM分类器根据血管宽度进行分割.近年来，深度学习……