La segmentation des vaisseaux rétiniens est une base importante pour le diagnostic des maladies oculaires, mais les méthodes actuelles présentent des problèmes tels que la non-détection des petits vaisseaux, les interférences pathologiques et le couplage des caractéristiques. Par conséquent, cet article propose un réseau à double branche avec extraction de caractéristiques par convolution et découplage inter-niveaux. Premièrement, le réseau extrait dans l’encodeur les caractéristiques des bords des vaisseaux dans plusieurs directions à l’aide d’un module différentiel résiduel multidirectionnel, capturant la structure fine des vaisseaux. Deuxièmement, un module de fusion dynamique collaboratif avec attention est conçu pour une complémentarité dynamique des caractéristiques convolutionnelles des deux branches, améliorant l’agrégation des informations de l’encodeur. Enfin, dans les connexions de saut des deux U-Net, un module de mise à l’échelle dynamique avec interaction de canaux est utilisé pour réaliser le découplage inter-niveaux, renforçant l’expression des caractéristiques et résolvant le problème de confusion des caractéristiques des U-Net traditionnels. La méthode proposée a été pleinement validée sur quatre ensembles publics de données DRIVE, CHASEDB1, STARE et IOSTAR. Le score F1 de notre algorithme est respectivement de 82,47 %, 80,71 %, 81,44 % et 82,01 %, la sensibilité de 80,96 %, 80,23 %, 74,69 % et 76,92 %. Les scores F1 de l’algorithme LadderNet sont respectivement de 81,66 %, 80,16 %, 80,92 % et 79,69 %, la sensibilité de 77,06 %, 78,88 %, 73,64 % et 71,24 %. Par rapport aux méthodes existantes, notre méthode montre une bonne robustesse et des performances de segmentation supérieures dans la tâche de segmentation des vaisseaux rétiniens.

vaisseaux rétiniens; segmentation d’image; convolution différentielle multidirectionnelle; fusion dynamique des caractéristiques; mécanisme d’attention