IterNet：利用血管网络中结构冗余进行视网膜图像分割

视网膜血管分割在视网膜血管疾病诊断中具有重要意义。为进一步提升血管分割性能，本文提出一种基于UNet架构的新模型——IterNet，该模型能够从已分割的血管图像中自动识别出被遮蔽的细微结构，而非依赖原始输入图像。IterNet由多个迭代的微型UNet组成，其深度可达普通UNet的4倍。此外，IterNet采用权值共享与跳跃连接机制，有效促进模型训练；因此，即使在如此庞大的网络结构下，模型仅需10至20张标注图像即可完成学习，无需预训练或任何先验知识。在三个主流数据集（DRIVE、CHASE-DB1和STARE）上，IterNet分别取得了0.9816、0.9851和0.9881的AUC值，目前在相关文献中表现最优。源代码已公开。