Morphologische Parameter wie der Gefäßdurchmesser und die Anzahl der Verzweigungen der Netzhautgefäße können als wichtige Grundlage für die klinische Diagnostik dienen. Eine präzise Segmentierung der Mikrovaskulatur ist entscheidend für die Früherkennung relevanter Erkrankungen. Bestehende Methoden neigen bei der Mikrovaskulatur-Erkennung zu topologischen Gefäßunterbrechungen und weisen allgemein eine unzureichende Fusion der Merkmale von dicken und dünnen Gefäßen auf. In dieser Arbeit wird IterMiUnet als grober Segmentierungszweig eingesetzt, um globale Gefäßmerkmale zu extrahieren, Haar-Wavelet-Prioren zur Verstärkung der Frequenzbereichsdarstellung feiner Gefäße verwendet und Randdetailmerkmale verstärkt. Zur Bewältigung von schwer segmentierbaren Bereichen wie schwachen Grenzen und Artefaktstörungen wird die Unsicherheit der groben Segmentierungswahrscheinlichkeit als prioritäre Leitung verwendet, wodurch das Mikrovaskulatur-Segmentierungsmodell aktiv auf diese schwierigen Bereiche fokussiert und die Segmentierungsgenauigkeit verbessert wird; ein dual-skaliertes probabilistisches Codierungsfusionierungsmechanismus wurde entwickelt, der Temperaturskalierung und Hintergrundunterdrückungsstrategien kombiniert, um mit den Mikrovaskulatur-Segmentierungsergebnissen die grobe Segmentierungsausgabe zu optimieren und eine adaptive Fusion der beiden Ergebnisse zu erreichen. Die experimentellen Ergebnisse auf den drei öffentlichen Datensätzen DRIVE, CHASE_DB1 und STARE zeigen, dass die Segmentierungsleistung des vorgeschlagenen Algorithmus viele aktuelle führende Methoden übertrifft, mit F1-Werten von 0,8257, 0,8360 und 0,8357 jeweils. Der Algorithmus bietet eine stabile und zuverlässige Gesamtsegmentierungsleistung mit hoher Genauigkeit, kann feine Gefäßdetails effektiv erfassen und die Gefäßtopologie intakt halten.

Computervision; Deep Learning; Bildsegmentierung; Netzhautgefäße; Wavelet