摘要

视网膜血管在眼底图像中的自动分割在糖尿病和高血压等疾病的诊断中发挥着重要作用。本文提出了一种变形U-Net（Deformable U-Net, DUNet），该网络利用U形架构以端到端的方式提取视网膜血管的局部特征，进行视网膜血管分割。受最近引入的可变形卷积网络的启发，我们将可变形卷积集成到了所提出的网络中。DUNet通过上采样算子提高输出分辨率，设计用于提取上下文信息，并通过结合低级特征图和高级特征图实现精确的定位。此外，DUNet能够根据血管的尺度和形状自适应调整感受野，从而捕捉不同形状和尺度的视网膜血管。我们使用了三个公开数据集DRIVE、STARE和CHASE_DB1来训练和测试我们的模型，并提供了所提网络与可变形神经网络及U-Net之间的详细对比。实验结果表明，DUNet能够提取出更加详细的血管，并在视网膜血管分割任务中表现出最先进的性能，在DRIVE、STARE和CHASE_DB1上的全局准确率分别为0.9697、0.9722和0.9724，AUC值分别为0.9856、0.9868和0.9863。为了展示DUNet的泛化能力，我们还使用了另外两个视网膜血管数据集进行了定性和定量分析与比较，其中一个名为WIDE，另一个是一个具有多样风格的合成数据集，命名为SYNTHE。结果表明，DUNet在这些数据集上的表现优于其他现有方法。