夏 平，何志豪，雷帮军，彭 程，王雨蝶

(1.三峡大学 水电工程智能视觉监测湖北省重点实验室，湖北 宜昌 443002；2.三峡大学 计算机与信息学院，湖北 宜昌 443002)

0 引 言

视网膜的相关疾病易导致视网膜的损伤[1，2]，如糖尿病常见并发症之一的糖网病[3]使视网膜产生新生血管、或大片视网膜血管缺血，引起视力下降、复视等症状；利用视网膜图像分割中血管的粗细、弯曲度以及空间结构特性，医生可以诊断视网膜是否存在病变或结构异常，因此，视网膜血管分割用于辅助医生分析和研究视网膜疾病[4，5]，对视网膜相关疾病的预防和治疗具有重要的意义[6，7]。视网膜血管粗细变化跨度大，既有明显的粗血管，也有大量细小血管，且血管与背景边界模糊；此外，血管结构类似树支状，各枝节相互交错，分支和分叉结构复杂；且视网膜血管病变程度不同，造成血管粗细、对比度以及血管结构特征发生明显变化。因此，视网膜血管的分割存在一定的困难。

传统机器学习的视网膜血管分割主要有模糊C均值(FCM)聚类[8]、多方向滤波[9]、多尺度小波算子等方法。传统算法主要存在表达视网膜图像的特征并不充分，算法泛化能力局限于通过人工设计特征而设计的算法模型[10]。随着深度学习技术的发展与在医学领域中的应用，基于深度学习的视网膜血管分割取得了优良的分割效果。文献[11]采用Unet编解码结构应用于医学图像分割，编码器提取特征信息并降低图像尺寸大小，减少计算量，解码器将提取的特征恢复到原始图像大小，保留更多空间信息。……