穆 珺，晏峻峰，彭清华

    (湖南中医药大学，湖南 长沙 410208)

    中医现代目诊以传统目诊为基础，通过对眼科仪器设备检查结果的分析，联系相关临床经验从而做出诊断。而眼底图像分析包括眼底血管分析，属于中医现代目诊的一个重要研究内容[1]。 不仅如此，眼底血管在诸如高血压、糖尿病、青光眼等疾病的检测和诊断中含有丰富的信息[2]。 但对眼底图像血管进行人工分割的方式，通常费时费力，并且需要具有专家知识[3]。 因此，眼底图像血管分割算法的研究一直受到医学图像处理领域的广泛关注[4-6]。

    SINGH 等[2]使用基于Gumbel 概率分布函数的滤波器和基于熵的阈值方法对眼底图像血管进行分析。LI 等[3]通过BP 算法训练深度神经网络来完成血管分割。 HU 等[7]提出了一个多尺度卷积神经网络来获取眼底图像血管分割的概率图，并使用条件随机场获取最终分割结果。 DASGUPTA 等[8]提出了一个全卷积神经网络架构来进行眼底图像血管分割。BARKANA 等[9]提出了一个眼底图像血管分割模型，使用多种统计特征，并融合多种分类器来提升和评估分割性能。 RONNEBERGER 等[10]提出了一个名为U-Net 的端到端神经网络架构，并通过U-Net 神经网络进行医学图像分割。 此后的研究者提出了许多基于U-Net 神经网络进行眼底图像血管分割的算法，并显示出优秀的性能[6]。 JIN 等[11]提出了一个可变形的U-Net 神经网络架构来分割眼底血管。 ORUJOV等[12]提出了一种模糊边缘检测的算法来分割眼底图像血管。CHENG 等[13]提出了一个密集连接U-Net 神经网络架构来分割眼底血管。 FENG 等[14]提出了一个跨连接神经网络来分割眼底血管。YU 等[15]使用零相位分量分析和全局对比度规范化进行预处理，然后训练卷积神经网络获取眼底血管分割结果。 尽管研究者们付出了大量的努力，也取得了不少进展，但眼底图像血管分割仍然具有值得进一步改进的空间[4-6]。

    1 方法

    本文所提出的眼底图像血管分割算法的总体流程包括：数据增广与预处理、小波系数图像获取、UNet 神经网络训练与预测、阈值分割与后处理。

    1.1 数据增广与图像预处理

    1.1.1 数据来源 本文所提出的眼底图像血管分割算法是在DRIVE 数据集上进行训练和测试。DRIVE数据集是广泛使用于眼底图像血管分割的公开数据集，其中包含40 张眼底图像，每张图像的尺寸为565 像素宽、584 像素高 ......