彩色眼底图像视网膜血管分割对于临床医学诊断有重要价值。提出了一种基于改进卷积神经网络的视网膜血管分割方法。首先, 将残差学习和密集连接网络(DenseNet)相结合, 更充分地利用每一层的特征;通过增加短连接的方式, 缩短了低层特征图到高层特征图之间的路径, 强化了特征的传播能力。其次, 为了提取更多细小血管, 在编码器-解码器结构的网络中加入了空洞卷积, 在不增加参数的情况下增加感受野。实验结果表明, 与现存其他深度学习方法相比, 所提出网络结构的参数数量更少, 在DRIVE标准数据集上平均准

提出一种结合卷积神经网络(CNN)和改进的图搜索来分割光学相干断层扫描成像(OCT)图像中的7个视网膜层边界的方法。首先利用CNN自动提取每个边界的特征并训练相应的分类器,由此将获得的每个边界的概率图作为分割的感兴趣区域;其次,提出一种改进的图搜索方法,该方法在垂直梯度的基础上添加了横向约束,当遇到血管阴影时,分割线可以横向穿过阴影。使用所提方法对正常图像进行分割,并对得到的结果和图搜索方法、基于CNN的方法得到的结果进行比较。实验结果表明,所提方法能精确分割7个视网膜层边界,平均层边界误差为(