张亮军，承垠林，马梦楠，马丽，周毅

(1.中山大学生物医学工程学院， 广州 510006; 2.中山大学中山眼科中心， 广州 510080； 3.中山大学中山医学院医学信息教研室, 广州 510080)

1 引 言

眼底图像利用图像中血管的变化情况在一定程度上可以实现对疾病的诊断，是临床诊断眼底相关疾病的主要方式，例如用于糖尿病视网膜病变(DR)的诊断。视网膜病变筛查可用于评估和监测各种眼科疾病，早期发现相关疾病，由专业人员提供干预治疗，对延缓患者病情减少致盲风险，具有重要的临床意义。视网膜眼底图像包括视盘、血管、黄斑等结构，见图1。利用计算机对眼底图像进行自动分析，可以提高视网膜病变筛查的效率和准确性。

图1 眼底图像

近年来，国内外提出了很多关于眼底血管分割的算法，根据是否需要先验信息，算法可分为无监督方法和有监督方法。无监督方法不需要先验标记信息，利用数据之间存在的相似性进行分析。如匹配滤波器[1]、基于数学形态学方法[2]、基于血管中心线方法[3]，这些方法均无法准确提取细小血管，分割准确率较低。与无监督学习方法相比，有监督学习将人工标注过的图像作为训练数据的标签，生成相应的算法模型。如Staal等提出基于视网膜图像脊线的方法，对每个像素计算其特征向量，使用KNN算法和序列前向特征选择算法对特征向量进行分类[4]。Wang等人提出基于卷积神经网络的U型网络方法对眼底图像血管进行分割[5]。高宏杰等提出基于改进U型网络的眼底图像血管分割算法，取得了较好的分割效果[6]。……