本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

Nov, 2016

本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

Jul, 2023

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

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

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

该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

Nov, 2023

该论文描述了一种新的方法，结合使用 StyleGAN2 和 SA-Unet，用于在医学领域中进行视网膜血管分割的图像处理，旨在帮助医生更好地诊断眼部疾病，并解决小数据集分割问题。

Aug, 2023

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