侯松辰,张俊虎

(青岛科技大学 信息科学技术学院,青岛 266061)

眼科专业人士往往将手工分割后的视网膜眼底图像作为眼科疾病的诊断依据,从血管的病变情况观察到一些病症[1]. 然而血管的手工标注工作对于眼科医生来说费时费力,处理不及时还有可能耽误病人的病情,自动高效的血管分割不仅缓解相关专业人员的压力,也有助于患者早发现早治疗,因此实现智能的血管分割在疾病识别和预防方面有重要意义.

早期许多研究利用计算机视觉、有监督或无监督的机器学习算法来实现眼底图像的血管分割. 如高向军[2],王爱华[3]早期提出的形态学分割方法,Chaudhuri等人[4]的匹配滤波方法等无监督算法,以及Wang 等人[5]提出的基于卷积神经网络的方法等有监督算法. 伴随深度学习算法研究的深入,众多学者在提高血管分割性能方面的研究愈发深入,使用深度学习架构的研究获得了比现有方法更好的性能,比如,Fu 等人[6]提出的基于深度学习与条件随机场的分割方法,吴晨玥等人[7]对于卷积神经网络的改进,Rammy 等人[8]提出的基于块的条件生成对抗网络分割方法以及钟文煜等人[9]对改进的U-Net 方法等血管分割算法. 这些基于深度学习的算法与以往算法相比展现了极大优势,尤其是生成对抗网络,在对于血管分割的问题上,准确率等指标都可以看出明显提升.

当前分割仍存在问题: (1)眼底血管错综复杂导致分割结果中各类评价指标还有进步……