该研究提出了一种基于深度学习的新方法，通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割，实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美，具有 97.99％的 AUC，并且运行时间更有效率。

Jun, 2018

本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后，得出结论，现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制，需要更加详细的数据集或更深层的模型。

Jun, 2023

我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类，同时应用了可解释的 AI 技术，如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估，我们发现 ResNet101 具有最高的准确率（94.17%），而 EfficientNetB0 的准确率最低（88.33%）。对于图像分割，Swin-Unet 表现出 86.19% 的平均像素准确率，而 Attention U-Net 基于 DenseNet201 的准确率最低（75.87%）。

May, 2024

本研究展示了一种使用生成式对抗训练的方法，用于生成精确的视网膜血管地图，它可以用于自动检测眼底图像中视网膜疾病。

Jun, 2017

本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法，能够追踪视网膜图像中不同血管树，并保留血管层次结构信息，为后续与视网膜疾病相关的血管形态学分析铺平了道路。

Feb, 2024

视网膜血管分割是通过眼底图像提取临床相关信息的方法。我们在迄今为止最大的公开数据集上为文献中常用的各种架构和训练选择提供了严格的基准，并评估了五个已发布的模型在公开可用的 FIVES 眼底图像数据集上的性能，同时比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病条件下的性能表现，并评估了它们在面对疾病诱导的领域转变时的能力。当具备足够的训练数据时，基本架构如 U-Net 的性能可以媲美更先进的架构，并且对于大多数架构，跨疾病诱导的领域转变通常表现良好。然而，我们发现图像质量是决定分割结果的关键因素。在优化分割性能时，将一个标准架构与高质量的数据集相结合比在较小或图像质量较低的数据集上调整复杂架构的效果更好。因此，我们从临床相关性的角度上总结了架构进展的实用性，为根据临床环境情况选择模型提供了实际指导。

Jun, 2024

提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制，对视网膜血管分割问题进行了降低，取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。

Nov, 2023

本研究提出了一种新颖的基于深度学习的血管分割系统，将图卷积网络与统一的 CNN 结构相结合，可以应用于扩展任何类型的基于 CNN 的血管分割方法，实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。

Jun, 2018

利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

Sep, 2023

本文综述了最新的深度学习方法的设计特点、性能评估指标以及优缺点，主要围绕自动视网膜血管分割的应用展开。

Jun, 2023