La segmentación de los vasos retinianos es una base importante para el diagnóstico de enfermedades oftálmicas, pero los métodos existentes enfrentan problemas como la omisión de vasos pequeños, interferencias patológicas y acoplamiento de características. Por lo tanto, en este artículo se propone una red con una doble rama para la extracción de características mediante convolución y el desacoplamiento de características a través de niveles. Primero, la red extrae en el codificador características de los bordes vasculares en múltiples direcciones mediante un módulo de residuos diferenciales multidireccionales, capturando la estructura fina de los vasos. Segundo, se diseñó un módulo de fusión dinámica con atención colaborativa para complementar dinámicamente las características convolucionales de las dos ramas, mejorando la agregación de la información del codificador. Finalmente, en las conexiones de salto de dos U-Net se utiliza un módulo de escalado dinámico con interacción de canales para el desacoplamiento de características entre niveles, fortaleciendo la expresión de características y resolviendo el problema de confusión de características de U-Net tradicional. El método propuesto se validó completamente en cuatro conjuntos de datos públicos DRIVE, CHASEDB1, STARE e IOSTAR. Las puntuaciones F1 de nuestro algoritmo fueron 82.47 %, 80.71 %, 81.44 % y 82.01 %, y las sensibilidades 80.96 %, 80.23 %, 74.69 % y 76.92 %, respectivamente; mientras que las puntuaciones F1 del algoritmo LadderNet fueron 81.66 %, 80.16 %, 80.92 % y 79.69 %, y las sensibilidades 77.06 %, 78.88 %, 73.64 % y 71.24 %. En comparación con los métodos existentes, nuestro método muestra buena robustez y un rendimiento superior en la tarea de segmentación de vasos retinianos.

vasos retinianos; segmentación de imágenes; convolución diferencial multidireccional; fusión dinámica de características; mecanismo de atención