Die Segmentierung retinaler Gefäße ist eine wichtige Grundlage für die Diagnose von Augenerkrankungen, aber bestehende Methoden weisen Probleme wie das Übersehen feiner Gefäße, pathologische Störeinflüsse und Merkmalskopplungen auf. Daher wird in diesem Artikel ein Netzwerk mit einem zweigleisigen Faltungsweg zur Merkmalsextraktion und eine übergreifende Merkmalsentkopplung vorgeschlagen. Zunächst extrahiert das Netzwerk im Encoder mehrdirektional Gefäßrandmerkmale mittels eines mehrdirektionalen differenziellen Residuummoduls und erfasst feinste Gefäßstrukturen. Zweitens wurde ein kooperatives Aufmerksamkeits-Modul zur dynamischen Fusion entwickelt, das die konvolutiven Merkmale der beiden Zweigpfade dynamisch ergänzt und die Aggregation der Encoder-Informationen verbessert. Schließlich wird in den Skip-Connections der beiden U-Net-Modelle ein dynamisches Kanal-Interaktionsskalierungsmodul eingesetzt, das eine übergreifende Merkmalsentkopplung ermöglicht, die Merkmalsrepräsentation stärkt und das Problem der Merkmalvermischung traditioneller U-Nets löst. Die vorgeschlagene Methode wurde umfassend auf vier öffentlichen Datensätzen DRIVE, CHASEDB1, STARE und IOSTAR validiert. Die F1-Werte unseres Algorithmus liegen bei 82,47 %, 80,71 %, 81,44 % und 82,01 %, die Sensitivitäten bei 80,96 %, 80,23 %, 74,69 % und 76,92 %. Die F1-Werte des LadderNet-Algorithmus betragen 81,66 %, 80,16 %, 80,92 % und 79,69 %, die Sensitivitäten 77,06 %, 78,88 %, 73,64 % und 71,24 %. Im Vergleich zu bestehenden Methoden zeigt die hier vorgestellte Methode eine gute Robustheit und überlegene Segmentierungsleistung bei der retinalen Gefäßsegmentierung.

retinale Gefäße; Bildsegmentierung; mehrdirektionale differentielle Faltung; dynamische Merkmalsfusion; Aufmerksamkeitsmechanismus