Параметры формы, такие как диаметр сосудов сетчатки и количество ответвлений, могут служить важными основаниями для клинической диагностики и лечения. Точное сегментирование микрососудов имеет решающее значение для ранней диагностики связанных заболеваний. Существующие методы склонны к разрывам топологии сосудов при обнаружении микрососудов, а также обычно недостаточно эффективно объединяют характеристики крупных и мелких сосудов. В данной работе используется IterMiUnet в качестве ветви грубого сегментирования для извлечения глобальных сосудистых признаков, предварительное усиление выражения частот микрососудов с помощью вейвлет-преобразования Хаар, укрепление детальных краевых признаков. Для решения проблем с точным распознаванием слабых границ, артефактов и других трудно сегментируемых областей использовались пиксели неопределенности вероятностей грубого сегментирования в качестве предварительного руководства, что позволило модели сегментирования микрососудов активно фокусироваться на таких областях и дополнительно повышать точность сегментации. Построен механизм слияния кодирования вероятностей двух масштабов с комбинацией температурного масштабирования и подавления фона, который с помощью результатов сегментации микрососудов оптимизирует выходы грубого сегментирования, обеспечивая адаптивное слияние двух типов результатов. Экспериментальные данные на трех общедоступных наборах данных DRIVE, CHASE_DB1 и STARE показывают, что производительность данного алгоритма сегментации превосходит текущие популярные методы, показатели F1 составляют 0.8257, 0.8360, 0.8357 соответственно. Алгоритм отличается стабильным и надежным общим эффектом сегментации, высокой точностью, эффективно захватывает детали микрососудов и сохраняет топологическую целостность сосудов.

компьютерное зрение;глубокое обучение;сегментация изображений;сосуды сетчатки;вейвлет