-121-CHINASCIENCEANDTECHNOLOGYINFORMATIONMay.2024·中国科技信息2024年第10期四星推荐◎视网膜血管特征的变化是心血管疾病和中风等严重疾病的先兆。因此，对视网膜血管特征的分析可以帮助检测这些变化，并让患者在疾病仍处于早期阶段时采取行动。传统的人工视网膜血管分割方法耗时耗力，且对操作人员技术要求较高。因此，视网膜血管分割的自动化是近年来研究的热点。目前视网膜血管分割的方法有很多，常见的有匹配滤波、形态学处理、深度学习方法等。其中深度学习因其优秀的性能成为主流的方法。随着计算机性能的快速发展以及大量数据集的出现，卷积神经网络CNN（ConvolutionalNeuralNetworks）开始流行并取得了不俗的成绩，其中深度卷积神经网络在医学图像分析的许多语义分割任务中取得了接近放射科医生的性能，U-net（U-shaped-network）在电子显微镜堆栈中的神经元结构分割中实现了最高准确度，CNN的其他变体在基准语义分割任务上实现了最先进的性能。在所有这些变体中，U-net是医学图像分析中使用最广泛的结构，主要是因为它在没有足够大的数据集时表现良好。但当数据集很小时，其效果往往不佳，特别是在样本分辨率不高时，视网膜血管树末梢的细小血管往往难以分割。而公开的视网膜血管分割数据集较少且大部分数据集带标签的样本量很小，高分辨率的数据集也较少，属于小样本。针对这一问题，近年来许多研究者基于U-net进行了改进。金鹭等将残差块、循环卷积模块和空间通道挤压激励模块引入U-net。吕佳等加入动态图卷积和边界注意力网络。江中川等结合位置感知循环卷积和多尺度分辨率输入。上述方法虽在一定程度上提升了U-net在小样本分割任务中的性能，但都不同程度地依赖于数据增强且提升效果不高。针对U-net网络在小样本数据集上分割效果不佳的问题，我们提出一种改进的U-net网络用于视网膜血管分割。该模型在U-net的基础上，对其进行了改进，同时引入通道注意力机制和空间注意力机制进一步提升分割效果。我们提出的网络在仅使用20个样本用于训练的情况下仍能取得较好的效果。通过在DRIVE数据集上进行实验表明，我们的网络在小样本视网膜图像血管分割任务上的性能优于U-net网络。模型改进改进的U-net网络模型U-net网络模型主要由编码器以及解码器两部分组成。本文的模型在U-net网络的基础上进行了改进，其框架如图1所示。该模型在原本U-net的卷积模块中加入了填充操作解决了边缘数据缺失的问题。上采样模块使用双线性插值（BilinearInterp...
