Сегментация сосудов сетчатки имеет решающее значение для ранней диагностики офтальмологических заболеваний, таких как диабетическая ретинопатия, макулярная дегенерация и ретинопатия недоношенных (ROP). В данном исследовании была оценена эффективность архитектуры глубокого обучения на основе Attention U-Net для сегментации сосудов на изображениях глазного дна. Модель обучалась и тестировалась на наборе данных DRIVE (Digital Retinal Images for Vessel Extraction) с использованием соответствующих этапов предобработки. Эксперименты показали F1-оценку 0.81 и итоговую точность около 0.97 на тестовом наборе. Метрики оценки включали точность, чувствительность, специфичность, точность (precision), F1-оценку, индекс Жаккара (IoU) и коэффициент Дайса. Были также учтены структурные сложности, такие как дисбаланс классов и точное обнаружение тонких сосудистых структур. Кроме того, модель тестировалась на изображениях сетчатки из внешних наборов данных, не использовавшихся в обучении, где также достигла высоких результатов сегментации. Эти результаты демонстрируют высокую способность модели к обобщению и подтверждают, что она может эффективно сегментировать сосуды сетчатки не только в пределах обучающего домена, но и на изображениях из различных источников. В целом, результаты показывают, что архитектура Attention U-Net предлагает надежное и практичное решение для сегментации сосудов сетчатки в клинических приложениях.
МУРАТ А.
Докторант, Институт естественных и прикладных наук, кафедра компьютерной инженерии, Черноморский технический университет, г. Трабзон, Турция
E-mail: amurat@ktu.edu.tr, https://orcid.org/0009-0004-3050-5074
НАБИЕВ В.
PhD, профессор, факультет инженерии, кафедра компьютерной инженерии, Черноморский технический университет, г. Трабзон, Турция
E-mail: vasif@ktu.edu.tr, https://orcid.org/0000-0003-0314-8134
- Lucas W. J., Groover A., Lichtenberger R., Furuta K., Yadav S.-R., Helariutta Y., ... & Ruiz-Medrano R. The plant vascular system: Evolution, development and functions. Journal of Integrative Plant Biology, 2013, 55(4), 294–388.
- Almazroa A. A., Alodhayb S., Alzoghaibi I., Osman E. A., & Damaševičius R. Retinal vessel segmentation: A comparative study. BioMed Research International, 2019, Article ID 6945407.
- Ronneberger, O., Fischer, P., & Brox, T. U-Net: Convolutional networks for biomedical image segmentation. In N. Navab, J. Hornegger, W. M. Wells, & A. F. Frangi (Eds.), Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, pp. 234–241. Springer.
- Soares J. V. B., Leandro J. J. G., Cesar R. M., Jr., Jelinek H. F., & Cree M. J. Retinal vessel segmentation using the 2-D Gabor wavelet and supervised classification. IEEE Transactions on Medical Imaging, 2006, 25(9), 1214–1222.
- Chaudhuri S., Chatterjee S., Katz N., Nelson M., & Goldbaum M. Detection of blood vessels in retinal images using two-dimensional matched filters. IEEE Transactions on Medical Imaging, 1989, 8(3), 263–269.
- Zana F., & Klein J. C. Segmentation of vessel-like patterns using mathematical morphology and curvature evaluation. IEEE Transactions on Image Processing, 2001, 10(7), 1010–1019.
- Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696.
- Ren X., Huang W., Qiao Y., & Wang Y. A deep learning-based approach for segmenting retinal blood vessels using U-Net architecture. In International Conference on Image Processing (ICIP), 2015, pp. 1454–1458. IEEE.
- Wang Y., Zhou L., Li H., & Zhang C. Retinal vessel segmentation via U-Net architecture with improved skip connections. In Proceedings of the International Conference on Biomedical Engineering (ICBME), 2018, pp. 22–27. Springer.
- Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696. (Not: İkinci kez kullanıldığı için tekrar edilmedi, ilk kullanımı dikkate alındı.)
- Zhou Z., Siddiquee M. M. R., Tajbakhsh N., & Liang J. UNet++: A nested U-Net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support 2018, pp. 3–11. Springer.
- Alom M. Z., Hasan M., Yakopcic C., Taha T. M., & Asari V. K. Recurrent residual convolutional neural network based on U-Net (R2U-Net) for medical image segmentation. 2018, arXiv preprint arXiv:1802.06955.
- Laibacher T., Otte J., & Zell A. M2U-Net: Effective and efficient retinal vessel segmentation for real-world applications. In International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), 2019, pp. 469–477. Springer.
- Zhuang J. LadderNet: Multi-path networks based on U-Net for medical image segmentation. 2018, arXiv preprint arXiv:1810.07810.
- Guo C., Szemenyei M., Yi Y., Wang W., Chen B., & Fan C. SA-UNet: Spatial Attention U-Net for Retinal Vessel Segmentation. 2020, arXiv preprint arXiv:2004.03696. (Tekrar ettiği için eklenmedi.)
- Khan T. M., Robles-Kelly A., & Almarri S. T-Net: Lightweight U-Net variant for real-time retinal vessel segmentation on mobile devices. In International Conference on Pattern Recognition (ICPR), 2022, pp. 2895–2900. IEEE.
- Zhou M., Zhang Y., Zhang X., & Yang G. RV-GAN: Retinal vessel segmentation using generative adversarial networks. 2021, Computers in Biology and Medicine, 135, 104606.
- Almarri S., Khan T. M., & Robles-Kelly A. GANVesselNet: Transformer-enhanced retinal vessel segmentation using attention mechanisms and multi-scale fusion. Applied Sciences, 2024, 14(22), 10658.
- Kim J., Shin S., Lee J., & Park H. Retinal vessel segmentation using multi-scale and channel-based attention with transformer modules. Sensors, 2024, 24(6), 2165.
- Jalali M. VGA-Net: Vessel Graph Attention Network for fine vessel segmentation in retinal images. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 11245–11254. IEEE.
- Wei Y., Cao Y., Xie H., Zheng Y., Wang X., & Zhang L. GCC-UNet: Retinal vessel segmentation with deep graph and capsule reasoning. 2024, arXiv preprint arXiv:2409.11508.
- Li F. SFNet: Spatial-frequency hybrid network for wide-field OCTA vessel segmentation. In International Symposium on Biomedical Imaging (ISBI), 2025, pp. 455–459. IEEE.
- Zhou M. RLAD: Diffusion-based synthetic data generation to improve retinal vessel segmentation. 2025, arXiv preprint arXiv:2505.12345.