6、视网膜血管分割与图像质量评估的研究进展

视网膜血管分割与图像质量评估的研究进展

1. 数据集与训练流程

在视网膜血管分割的研究中，常用的数据集有DRIVE、CHASE DB1和HRF。
- DRIVE数据集 ：包含40张大小为565×584像素的图像，其中20张用于训练，20张用于测试，以第一位人类观察者的标注作为真实标签。
- CHASE DB1数据集 ：仅有28张图像，但分辨率较高，为999×964像素。我们按照多数近期方法的做法，选取前20张图像作为训练集，其余8张用于测试。
- HRF数据集 ：包含45张高分辨率（3504×2336像素）的眼底图像，分为健康患者、糖尿病视网膜病变患者和青光眼患者三组，每组15张。我们遵循Orlando等人的方法，使用每组的前5张图像进行训练，其余30张用于测试。

训练过程中，不进行任何预处理或后处理步骤，采用常见的数据增强方法，如旋转（±60°）、水平/垂直翻转，以及RGB颜色（±20）、亮度/对比度（±50%）和伽马（±20%）的偏移。所有模型训练100k个样本，每个样本是动态选择的随机裁剪区域。使用Adam优化器（β1 = 0.9，β2 = 0.999），学习率为0.001（在80k个样本后降至0.0002），批量大小为10，最小化样本真实分割与预测血管概率之间的二元交叉熵损失。

评估指标包括接收器操作特征曲线下面积（ROC）、精确召回曲线下面积（PR）和F1度量（或Dice系数）。对于二值化结果，还报告准确率（ACC）。通过应用固定阈值0.5将血管概率图转换为二值掩码。由于分割中非血管像素远多于血管像素，与无阈值指标（如精确召回或