薛文渲，刘建霞

（太原理工大学信息与计算机学院，山西晋中 030600）

眼底RGB 图像是眼睛内表面的投影，由于其不同的形状、分叉、延伸程度的结构特征，可以用于分析判断视网膜上的血管分布[1-10]。其中，血管树是医学图像中最稳定的特征，可用于生物识别。眼科医生可以通过眼底图像中呈现的血管形态进行有效的筛选和判断，以确定糖尿病视网膜病变、青光眼和微动脉瘤的眼科状况[11-14]。传统的非监督学习方法有匹配滤波方法[15]、形态学处理方法[16]、形变模型方法[14]等，虽然无需专家手工标注的金标准图，但由于不同眼底图像形态的特征复杂度差别极大，传统方法编码[1]较为简单，对血管特征提取程度差，分割效果不佳，无法满足实际临床辅助的需求。为满足实际临床辅助视网膜分割的需要，实现更好的视网膜图像分割水平，文中提出基于U-Net[2]的视网膜眼底图像分割混合算法，用以克服原始U-Net 网络层数过深导致的网络计算量过大和细小血管信息丢失的问题[3]。文中方法通过学习眼底金标准图像对复杂多变的眼底血管像素点进行预测，提供更为精准的视网膜血管形态、尺度场景等信息，具有分割精度高、抗干扰性强、计算效率快等优势。文中提出的模型方法使用TensorFlow 框架进行实验，实验表明文中方法有助于解决分割结果在细微血管分叉处不连续、复杂曲度形态血管丢失的问题，从而可以达到更好的分割性能，具有一定的临床应用的价值。

1 网络结构与基本算法

由于眼底视网膜图像中血管与背景之间的明暗特征不全，视盘区域亮度过高，图像分割干扰较强，视网膜血管直径、分叉特征差别大等问题，文中提出了一种基于改进U-Net的网络模型算法，如图1 所示。……