姜大光，李明鸣，陈羽中，丁文达，彭晓婷，李瑞瑞

1) 北京化工大学信息科学与技术学院，北京 100029 2) 北京鹰瞳科技发展股份有限公司，北京 100089 3) 北京富通东方科技有限公司，北京 100010

视网膜血管分割是医学图像处理[1−2]的一个重要分支，是眼底图像分析的基础，在眼底疾病筛查和诊断中发挥着重要的作用. 许多类型的眼底病变都会导致视网膜血管形状、数量、结构发生改变，例如：高血压性视网膜病变会引起视网膜血管直径、曲折度和分岔角度发生变化[3]；糖尿病性视网膜病变会带来视网膜静脉的扩张[4]；而年龄相关的黄斑变性最终导致脉络膜毛细血管萎缩和形成大量新生血管.

视网膜血管形态结构复杂、狭长且空间跨度大，血管间常常会交错重叠. 这让视网膜血管的有效表征和特征提取任务变得富有挑战. 不仅如此，血管末端常分岔出更细微的血管，呈现出较大的尺度变化，也使得许多跟早期疾病筛查相关的不规律弯折和多角度交错等现象不易被观察到.经典机器学习方法[5−7]的分类特征需要手动设计和提取，非常依赖研究人员的领域相关知识，特征的优劣很大程度影响模型效果. 基于特定算子的目标形态检测方法[8−10]往往只针对特定的场景和条件，难以进一步提高血管分割的准确性.

近年来，得益于深度学习技术的发展，基于深度卷积神经网络的视网膜血管分割方法成为一个研究热点. 许多工作采用全卷积神经网络来完成这一任务，例如：Zhang和Chung[11]使用UNet[12]实现端到端的视网膜血管分割；……