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

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. 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.
9. 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.
10. 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.)
11. 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.
12. 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.
13. 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.
14. Zhuang J. LadderNet: Multi-path networks based on U-Net for medical image segmentation. 2018, arXiv preprint arXiv:1810.07810.
15. 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.)
16. 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.
17. 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.
18. 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.
19. 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.
20. 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.
21. 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.
22. 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.
23. Zhou M. RLAD: Diffusion-based synthetic data generation to improve retinal vessel segmentation. 2025, arXiv preprint arXiv:2505.12345.