Morphologische Parameter wie der Durchmesser der Netzhautgefäße und die Anzahl der Verzweigungen können als wichtige Grundlage für die klinische Diagnose dienen. Die präzise Segmentierung von Mikrogefäßen ist für die frühzeitige Diagnose verwandter Erkrankungen entscheidend. Bestehende Methoden neigen bei der Erkennung von Mikrogefäßen zu topologischen Bruchstellen und weisen häufig unzureichende Verschmelzung von Merkmalen großer und kleiner Gefäße auf. In diesem Artikel wird IterMiUnet als grober Segmentierungszweig verwendet, um globale Gefäßmerkmale zu extrahieren, die Frequenzdomänen-Ausdrucksfähigkeit von Mikrogefäßen durch Haar-Wavelet-Prior verstärkt und die Randdetailmerkmale gestärkt. Um schwer segmentierbare Bereiche wie schwache Kanten und Artefaktstörungen im groben Segmentierungsprozess präzise zu erkennen, werden Unsicherheits-Pixel der groben Segmentierungswahrscheinlichkeit als a priori Leitfaden verwendet, wodurch das Mikrogefäß-Segmentierungsmodell diese schwierigen Bereiche aktiv fokussiert und die Segmentierungsgenauigkeit weiter verbessert. Ein zweistufiger probabilistischer Codierungs-Fusionsmechanismus wird aufgebaut, der Temperatur-Skalierung und Hintergrundunterdrückungsstrategien kombiniert und die Mikrogefäß-Segmentierungsergebnisse nutzt, um die groben Segmentierungsausgaben zu optimieren und so eine adaptive Fusion der beiden Ergebnisse zu erreichen. Experimentelle Ergebnisse auf den drei öffentlichen Datensätzen DRIVE, CHASE_DB1 und STARE zeigen, dass die Segmentierungsleistung dieses Algorithmus die aktuellen gängigen Methoden übertrifft, mit F1-Werten von 0,8257, 0,8360 und 0,8357. Der Algorithmus sorgt für eine stabile und zuverlässige Gesamtsegmentierung mit ausgezeichneter Genauigkeit, kann feinste Gefäßdetails effektiv erfassen und die topologische Integrität der Gefäße bewahren.

Computer Vision; Tiefenlernen; Bildsegmentierung; Netzhautgefäße; Wavelet