摘要

光学相干断层扫描血管成像（Optical Coherence Tomography Angiography, OCT-A）是一种非侵入性成像技术，近年来被广泛应用于视网膜微血管在毛细血管水平分辨率下的成像。然而，由于毛细血管可见度低、血管结构复杂等多重挑战，OCT-A中视网膜血管的自动化分割研究仍相对不足，尽管该技术在理解多种眼病方面具有重要意义。此外，目前尚无公开可用的、包含人工标注血管信息的OCT-A数据集，用于模型的训练与验证。为解决上述问题，本研究首次在视网膜图像分析领域构建了一个专用的视网膜OCT-A血管分割数据集——ROSE（Retinal OCT-A SEgmentation dataset），该数据集包含229幅OCT-A图像，并在中心线级或像素级提供了血管标注。该数据集已向公众开放，旨在支持相关领域的研究人员开展深入研究。其次，本文提出一种新型的基于分治策略的粗到细血管分割网络（Split-based Coarse-to-Fine Vessel Segmentation Network, SCF-Net），具备对粗细血管分别检测的能力。在SCF-Net中，首先引入一种基于分治的粗分割（Split-based Coarse Segmentation, SCS）模块，生成血管的初步置信图；随后，通过基于分治的细化（Split-based Refinement, SRN）模块，对视网膜微血管的形态与轮廓进行精细化优化。第三，我们在所提出的ROSE数据集上对当前最先进的血管分割模型及所提出的SCF-Net进行了全面评估。实验结果表明，与传统方法及其他深度学习方法相比，SCF-Net在OCT-A图像中的血管分割性能显著更优，展现出更强的分割精度与鲁棒性。