Los parámetros morfológicos como el diámetro de los vasos sanguíneos de la retina y el número de bifurcaciones pueden ser una base importante para el diagnóstico clínico. La segmentación precisa de los microvasos es crucial para el diagnóstico temprano de enfermedades relacionadas. Los métodos existentes pueden presentar rupturas en la topología vascular al detectar microvasos, y también suelen tener defectos en la fusión incompleta de las características de vasos gruesos y finos. En este artículo se utiliza IterMiUnet como rama de segmentación gruesa para extraer características globales de los vasos, se mejora la capacidad de expresión en el dominio de frecuencia de los microvasos con el prior de wavelet Haar, y se refuerzan las características de detalle del borde. Para las áreas difíciles de segmentar debido a límites débiles o artefactos en la segmentación gruesa, se utiliza el píxel de incertidumbre de probabilidad de la segmentación gruesa como guía a priori, haciendo que el modelo de segmentación de microvasos se concentre activamente en estas áreas difíciles y mejorando aún más la precisión de la segmentación. Se construye un mecanismo de fusión de codificación probabilística de doble escala, combinando el escalado de temperatura y estrategias de supresión de fondo, que optimiza el resultado de segmentación de microvasos para mejorar la salida de la segmentación gruesa, logrando una fusión adaptativa de ambos resultados. Los resultados experimentales en los conjuntos de datos públicos DRIVE, CHASE_DB1 y STARE muestran que el rendimiento de segmentación de este algoritmo supera a varios métodos principales actuales, con índices F1 de 0.8257, 0.8360 y 0.8357 respectivamente. Este algoritmo ofrece un efecto de segmentación estable y fiable, con buena precisión, capaz de capturar eficazmente los detalles de los microvasos y mantener la integridad topológica vascular.

visión por computadora; aprendizaje profundo; segmentación de imágenes; vasos de la retina; wavelet