杨 云， 周舒婕， 李程辉， 张娟娟

(1. 陕西科技大学 人工智能研究所，陕西 西安 710021； 2. 陕西科技大学 电子信息与人工智能学院，陕西 西安 710021)

1 引 言

眼底视网膜血管作为人体中唯一可以直接肉眼观察到的血管，是许多慢性疾病诊断的一项重要指标。传统方法凭借医生的个人经验和主观判断对视网膜血管分割存在诸多的弊端，如研究人员前期需要花费大量的时间和精力学习微细血管和整体结构的分割工作、不同研究人员在分割同一张视网膜血管图像时往往存在较大的差异性等。因此，将计算机作为辅助技术对于准确、快速分割视网膜血管图像起着至关重要的作用。

目前研究人员根据是否需要人工标记训练集，将眼底视网膜图像的血管分割方法大致分为两类：无监督学习方法和监督学习方法。常见的无监督学习方法有血管跟踪法[1]、形态学处理方法[2]、匹配滤波方法[3]等。基于深度学习的分割方法是一种常见的监督学习方法，例如：Oliveira[4]等人提出了将平稳小波变换提供的多尺度分析与多尺度全卷积神经网络相结合的方法来分割视网膜血管，从而提高网络性能；Guo[5]等人提出了基于全卷积U-Net的网络结构，该方法摒弃了传统卷积神经网络的Dropout层，而是使用正则化方法来提高模型性能；Roy[6]等人提出了ReLayNet网络结构，该网络在训练过程中同时使用了交叉熵和Dice损失函数进行优化；Gu[7]等人提出了上下文编码器网络来捕获更多的深层信息，该网络结构在特征编码和特征解码器之间加入了上下文提取器，该方法不仅适用于视网膜图像的分割还可以用于其他医学图像的分割。……