Параметры морфологии, такие как диаметр сосудов сетчатки и количество разветвлений, могут служить важной основой для клинической диагностики и лечения. Точное выделение мелких сосудов чрезвычайно важно для ранней диагностики связанных заболеваний. Существующие методы при обнаружении мелких сосудов часто сталкиваются с разрывами топологии сосудов, а также общим недостатком полного объединения признаков толстых и тонких сосудов. В данной работе используется IterMiUnet в качестве грубой ветки сегментации для извлечения глобальных сосудистых признаков, а также использование приоритета преобразования Хаара для усиления частотного представления мелких сосудов и усиления признаков краевых деталей. Для решения проблемы трудности точного распознавания слабых границ и помех в виде артефактов на участках сложного сегментирования, используется неуверенность пикселей в вероятностях грубой сегментации в качестве предварительного руководства, что позволяет модели сегментации мелких сосудов активно фокусироваться на указанных сложных зонах, повышая точность сегментации; построен механизм слияния двойного масштабного вероятностного кодирования, сочетающий температурный масштаб и стратегию подавления фона, что с помощью результатов сегментации мелких сосудов оптимизирует выход грубой сегментации и реализует адаптивное объединение двух видов результатов. Экспериментальные результаты на трех общедоступных наборах данных DRIVE, CHASE_DB1 и STARE показали, что производительность предлагаемого алгоритма превосходит множество современных методов, с показателями F1, достигшими соответственно 0.8257, 0.8360 и 0.8357. Общая стабильность и надежность работы алгоритма обеспечивает высокую точность сегментации, эффективный захват деталей мелких сосудов и сохранение целостности топологии сосудов.

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