提出一种名为 MRC-Net 的多分辨率上下文网络，其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性，并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性，在对前景分割进行对抗训练的基础上进行训练，以提高分割网络的性能，同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异，与现有的竞争方法相比具有更好的性能。

Apr, 2023

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

本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。

Jun, 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

利用深度学习技术，提出了一种名为 FES-Net 的新型特征增强分割网络，用于准确地分割视网膜血管，无需额外的图像增强步骤，并在多个公开数据集上验证了其卓越的性能。

Sep, 2023

本文提出了一种名为 IterNet 的深度学习模型，基于 UNet，可用于视网膜血管分割，采用多个迭代的 mini-UNet，完全依赖于分割的血管图像本身来发现被遮盖的细节，无需预先训练。在 DRIVE、CHASE-DB1 和 STARE 三个主流数据集上，IterNet 均取得了当前文献中最佳的 AUC 分数 0.9816，0.9851 和 0.9881。

Dec, 2019

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

本文提出了一种名为 Bilateral Segmentation Network（BiSeNet）的新型网络结构，通过引入 Spatial Path、Context Path 以及 Feature Fusion Module 三个模块，实现了在保持高分辨率的同时增加感受野，达到了在 Cityscapes、CamVid 和 COCO-Stuff 数据集上速度和分割性能相对平衡的效果，对于 2048x1024 的输入，我们在 Cityscapes 测试数据集上实现了 68.4％的平均 IOU，在 NVIDIA Titan XP 卡上的速度为 105 FPS，比现有方法更快，同时性能相当。

Aug, 2018

通过使用 Swin-Res-Net 模型，该论文提出了一种改进视网膜血管分割的方法，提高了对显微血管的定位和分离能力，并在广泛使用的数据集上取得了出色的结果。

Mar, 2024

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