Les paramètres morphologiques tels que le diamètre des vaisseaux rétiniens et le nombre de bifurcations peuvent servir de base importante pour le diagnostic clinique. Une segmentation précise des microvaisseaux est cruciale pour le diagnostic précoce des maladies associées. Les méthodes existantes présentent souvent des ruptures topologiques des vaisseaux lors de la détection des microvaisseaux, tout en souffrant généralement d'une fusion insuffisante des caractéristiques des gros et petits vaisseaux. Cet article utilise IterMiUnet en tant que branche de segmentation grossière pour extraire les caractéristiques globales des vaisseaux, renforce la capacité d'expression fréquentielle des microvaisseaux grâce au prétraitement par ondelettes de Haar, et renforce les caractéristiques des détails de bord. Pour faire face aux zones difficiles à segmenter dues à une reconnaissance imprécise des frontières faibles et aux artéfacts dans la segmentation grossière, les pixels d’incertitude des probabilités de segmentation grossière sont utilisés comme guide a priori, permettant au modèle de segmentation des microvaisseaux de se concentrer activement sur ces zones difficiles et d’améliorer davantage la précision de la segmentation. Un mécanisme de fusion de codage probabiliste à double échelle est construit, combinant l'échelle de température et des stratégies de suppression du fond, qui optimise les résultats de segmentation des microvaisseaux pour améliorer la sortie de segmentation grossière, réalisant ainsi une fusion adaptative des deux types de résultats. Les résultats expérimentaux sur les trois ensembles de données publics DRIVE, CHASE_DB1 et STARE montrent que les performances de segmentation de notre algorithme dépassent plusieurs méthodes courantes, avec des scores F1 respectifs de 0,8257, 0,8360 et 0,8357. L'algorithme présenté offre une segmentation stable et fiable, une excellente précision, capturant efficacement les détails des microvaisseaux tout en préservant l'intégrité topologique des vaisseaux.

vision par ordinateur; apprentissage profond; segmentation d'image; vaisseaux rétiniens; ondelettes