يمكن أن تكون معلمات شكل قطر الأوعية الدموية الشبكية وعدد التفرعات وغيرها من المعلمات دليلًا هامًا للتشخيص الطبي السريري، ويعد التقسيم الدقيق للأوعية الدقيقة أمرًا حيويًا للتشخيص المبكر للأمراض ذات الصلة. الطرق الحالية تواجه مشكلة انقطاع طوبولوجيا الأوعية الدموية في اكتشاف الأوعية الدقيقة، كما تعاني من نقص في دمج خصائص الأوعية الدموية السميكة والرقيقة بشكل كافٍ. يستخدم هذا البحث IterMiUnet كفرع تقسيم粗 لاستخراج الخصائص الشاملة للأوعية الدموية، ويعزز التعبير في مجال التردد للأوعية الدقيقة باستخدام Haar موجة صغيرة أولية، كما يعزز ميزات الحواف الدقيقة. لمواجهة صعوبة التعرف الدقيق على المناطق ذات الحدود الضعيفة والتشويش وأماكن التقسيم الصعبة في التقسيم粗، يُستخدم احتمال التقسيم粗 كبكسل غير مؤكد كدليل أولي، لجعل نموذج تقسيم الأوعية الدقيقة يركز بفعالية على المناطق الصعبة، مما يزيد دقة التقسيم؛ وتم بناء آلية دمج ترميز احتمال ذات مقياسين، مع مزيج من تقنيات تسخين درجة الحرارة واستراتيجية تثبيط الخلفية، لاستخدام نتائج تقسيم الأوعية الدقيقة لتحسين ناتج التقسيم粗، محققًا دمجًا تكيفيًا للنتيجتين. تظهر النتائج التجريبية على مجموعات البيانات العامة DRIVE وCHASE_DB1 وSTARE أن أداء التقسيم للخوارزمية المقترحة يتفوق على العديد من الطرق السائدة الحالية، حيث بلغ مؤشر F1 0.8257، 0.8360، 0.8357 على التوالي. الخوارزمية المقترحة تتميز باستقرار وموثوقية في الأداء الكلي وبدقة تقسيم عالية، قادرة على التقاط تفاصيل الأوعية الدقيقة بدقة والحفاظ على سلامة الطوبولوجيا الوعائية.

رؤية حاسوبية;تعلم عميق;تقسيم الصور;الأوعية الدموية الشبكية;موجة