邓小波，刘 奇，陈 曦，何柯辰，全美霖，刘艳丽

(1.四川大学电气工程学院，2.生物医学工程学院，四川 成都 610065；3.承德医学院生物医学工程系，河北 承德 067000)

分割及定位视网膜血管对诊断视网膜病变、青光眼、糖尿病及高血压眼病等具有重要意义。利用眼底照相机和光学相干断层成像可观察视网膜及其内部区域，包括血管树、中央凹及视盘等[1]，进一步分段血管树并提取血管的长度、宽度、分支及角度等形态属性，可用于诊断眼科疾病；但是，人工分割受主观因素影响较大，且耗时、费力[2-3]。传统机器学习依赖人工构造图像特征，而深度学习(deep learning，DL)可自动提取并选择特征。采用U-Net算法或全卷积网络(fully convolutional networks，FCN)的DL方法可实现分割视网膜血管。以现有DL算法分割血管虽可达到较高精度，但网络设计多采用单个路径提取特征，且为获取更多纤薄血管，多使用跳层结构，融合高层语义信息及低层特征信息，而忽略了中间层特征图。本研究观察基于通道注意力的双路径架构网络(dual path-based channel attention network，DPCA-Net)算法分割视网膜血管的效果。

1 数据与方法

1.1 数据集 数据来源于公开DRIVE数据集[4]和CHASE_DB1数据集[5]。DRIVE数据集包含40幅彩色视网膜图像及经过标注的视网膜血管掩码图像，每幅原始图像的尺寸为565×584，以其中20幅为训练样本、另20幅为测试样本。CHASE_DB1数据集包含28幅分辨率为999×960的彩色视网膜图像，将前10组共20幅左眼、右眼图像作为训练样本，其余8幅作为测试样本。自DRIVE训练集中随机抽取19万块大小为48×48的图像块，自CHASE_DB1训练集中随机抽取12万块64×64图像块，用以增加样本数量[6]。……