Les paramètres morphologiques tels que le diamètre des vaisseaux rétiniens et le nombre de bifurcations peuvent servir de base importante pour le diagnostic clinique. La segmentation précise des microvaisseaux est essentielle pour le diagnostic précoce des maladies associées. Les méthodes existantes présentent souvent des ruptures topologiques dans la détection des microvaisseaux et souffrent généralement d’une fusion insuffisante des caractéristiques des vaisseaux épais et fins. Cet article utilise IterMiUnet comme branche de segmentation grossière pour extraire les caractéristiques globales des vaisseaux, la transformée en ondelettes Haar comme information a priori pour renforcer la représentation fréquentielle des microvaisseaux et améliorer les détails des bords. Pour les zones difficiles à segmenter telles que les frontières faibles et les interférences d’artefacts, les pixels incertains de la probabilité de segmentation grossière sont utilisés comme guide a priori, permettant au modèle de segmentation des microvaisseaux de se concentrer activement sur ces zones difficiles, améliorant ainsi la précision de la segmentation; un mécanisme de fusion à double codage probabiliste a été construit, combinant le réglage de température et une stratégie de suppression du fond, optimisant la sortie de la segmentation grossière à l’aide des résultats de la segmentation des microvaisseaux, réalisant une fusion adaptative des deux résultats. Les résultats expérimentaux sur trois ensembles de données publics DRIVE, CHASE_DB1 et STARE montrent que la performance de l’algorithme proposé dépasse de nombreuses méthodes dominantes actuelles, avec des scores F1 atteignant respectivement 0,8257, 0,8360 et 0,8357. L’algorithme présente une performance de segmentation stable et fiable, une grande précision, capturant efficacement les détails des microvaisseaux tout en maintenant l’intégrité topologique des vaisseaux.

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