作为循环系统的基本组成部分,血管负责将血液输送到全身并维持正常的生理功能。在临床实践和医学研究中,包括直径、曲率和轮廓在内的血管形态特征被广泛用于疾病诊断和手术规划(Li, Xie, Zhou, Liu, Ni, Zhou, Bian, Hou, 2021; Xiao, Shao, Chen, Zhang, Ding, Zhao, Liu, Fukuyama, Zhao, Peng, Tian, Wen, Zhou, 2025)。特别是,视网膜血管的拓扑几何结构与多种眼科疾病(如青光眼、糖尿病视网膜病变和视网膜血管周围炎)密切相关,并已被证明对早期诊断和有效监测视网膜病变具有价值(Wu, Xia, Song, Zhang, Cai, 2020; Yu, Qin, Zhuang, Ding, Qin, Raymond Choo, 2020)。同时,视网膜是一个独特的解剖学部位,可以在其中直接观察到动脉、静脉和毛细血管,它不仅是眼科疾病的重要诊断基础,还与多种系统性疾病(尤其是糖尿病、高血压和肾病)有很强的相关性(Nasser, Gupte, Sethi, 2024; Qin, Chen, 2024; Xu, Wu, 2024)。
然而,由于临床专业知识的差异和成像设备的限制,最初获取的血管图像往往无法直观、准确、可靠地实时反映血管结构信息。此外,鉴于视网膜血管的复杂拓扑结构和密集的毛细血管分布,手动血管分割仍然极具挑战性且费时费力(见图1)。尽管由经验丰富的临床医生执行,但手动绘图仍然耗时且存在较大的观察者间差异,主要是由于血管结构复杂且不均匀(Xiao et al., 2025)。因此,实现自动化、精确和细粒度的视网膜血管分割具有重要的实际意义和研究价值,特别是有助于大规模临床应用。快速发展的高性能计算硬件和卷积神经网络(CNN)技术使生物医学图像分割成为计算机辅助诊断领域中的一个关键且活跃的研究课题。
迄今为止,已经基于计算机视觉、机器学习和深度学习开发了许多视网膜血管分割方法(Fraz et al., 2012a)。得益于计算能力和成像技术的进步,机器学习和深度学习在医学图像分析领域得到了广泛的研究和应用,因为它们具有强大的表示学习能力。在U-Net架构(Ronneberger et al., 2015)引入之后,通过扩展其编码器-解码器框架,提出了许多分割模型,并在各种应用领域取得了有希望的结果(Li, Verma, Nakashima, Nagahara, Kawasaki, 2020; Su, Luo, Wang, Lian, Lin, Li, 2024)。一般来说,U-Net及其变体采用编码器-解码器架构,通过堆叠卷积和下采样提取高级语义特征,同时通过跳跃连接恢复空间分辨率,以实现像素级的监督学习(Ronneberger et al., 2015)。尽管取得了成功,但基于U-Net的模型仍存在固有的局限性,包括深度可扩展性不足、细粒度特征感知不佳以及多层次特征融合不够充分。
因此,在以下条件下实现高精度的视网膜血管分割仍然具有挑战性。
细小且复杂的血管结构。细小的血管只占图像像素的一小部分,容易受到背景噪声的影响,导致难以区分,经常产生片段化或不连续的分割结果。
全局形状规则化的难度。由于血管形态和空间分布的巨大变化,即使位于相似图像位置的血管也可能表现出显著不同的结构,这阻碍了稳定和通用形状先验的学习。
图像幻想。当遇到以前未观察到的血管模式时,模型往往会过度适应已学习到的特征,导致结构幻想、泛化性能下降和假阳性预测增加。
为了应对这些挑战,我们受到对抗学习和高效卷积设计的启发,明确考虑了管状血管拓扑的普遍性和特异性,并提出了一种新型的全分辨率高效卷积生成对抗网络(FRE-GAN)。所提出的FRE-GAN不仅实现了视网膜血管的准确分割,还为具有类似管状拓扑的图像结构分割提供了有价值的参考。与现有方法和现有技术相比,FRE-GAN实现了更准确、连续和拓扑一致的分割结果。
本工作的主要贡献总结如下:
- •
与最近的U-Net变体和传统的全分辨率网络不同,我们设计了一种具有并行交互式卷积架构的全分辨率生成网络,该网络有效地保留了空间信息并扩大了感受野。这种生成器促进了持续的堆叠表示学习,确保了跨多个分辨率的像素级精确的全局和局部分割。
- •
我们设计了一种双域鉴别器网络以丰富空间表示并整合上下文信息,从而支持粗粒度和细粒度的学习。双域鉴别器网络结合了全卷积网络和Unet类似的架构,用轻量级但有效的设计替代了单一的密集分割头。
- •
考虑到血管像素的邻域关系并结合Hausdorff距离的属性,我们构建了一个拓扑连通性损失函数,明确强制血管分割的拓扑连续性。
本文的其余部分组织如下。第2节回顾了基于深度学习、保持拓扑和全分辨率网络模型的视网膜血管分割方法的相关工作。第3节详细介绍了所提出的方法。第4节介绍了数据集、实验细节、评估指标和实验结果。最后,在第5节得出结论。