يمكن أن تُستخدم معلمات شكل قطر الأوعية الدموية في الشبكية وعدد التفرعات كأساس مهم للتشخيص والعلاج السريري. يعد التقسيم الدقيق للأوعية الدموية الدقيقة أمرًا حيويًا للتشخيص المبكر للأمراض ذات الصلة. الطرق الحالية قد تواجه ظاهرة انقطاع الطوبولوجيا الوعائية عند الكشف عن الأوعية الدقيقة، بالإضافة إلى وجود عيوب شائعة في عدم كفاية دمج خصائص الأوعية الدموية الكبيرة والصغيرة. تستخدم هذه الورقة IterMiUnet كفرع تقسيم خشن لاستخلاص خصائص الأوعية الدموية العالمية، مع تعزيز تعبير النطاق الترددي للأوعية الدقيقة باستخدام Haar wavelet المسبق، وتقوية مميزات الحواف الدقيقة. لمواجهة الصعوبات في التعرف الدقيق على الحدود الضعيفة والمناطق الصعبة مثل الضوضاء الزائفة في التقسيم الخشن، يُستخدم بكسل عدم اليقين في الاحتمالات التقسيمية الخشنة كدليل مسبق، مما يجعل نموذج تقسيم الأوعية الدقيقة يركز بنشاط على هذه المناطق الصعبة، لتعزيز دقة التقسيم. يتم بناء آلية دمج الترميز الاحتمالي ثنائية المقياس، مع مزج تسخين درجة الحرارة واستراتيجيات كبح الخلفية، مما يعزز نتائج تقسيم الأوعية الدقيقة لتحسين مخرجات التقسيم الخشن، وتحقيق دمج تكيفي بين النتائج. أظهرت النتائج التجريبية على مجموعات البيانات العامة DRIVE وCHASE_DB1 وSTARE أن أداء تقسيم الخوارزمية المقدمة يتفوق على عدة طرق شائعة، حيث وصلت مؤشرات F1 إلى 0.8257 و0.8360 و0.8357 على التوالي. تتميز خوارزمية هذه الورقة باستقرار وموثوقية عالية في الأداء الكلي للتقسيم، مع دقة ممتازة، قادرة على التقاط تفاصيل الأوعية الدقيقة والحفاظ على سلامة الطوبولوجيا الوعائية.

الرؤية الحاسوبية;التعلم العميق;تقسيم الصور;الأوعية الدموية في الشبكية;الموجات الصغيرة