RV-GAN：基于新型多尺度生成对抗网络的视网膜血管结构分割方法

高保真分割视网膜的宏观与微血管结构在判断退行性视网膜疾病中起着关键作用，然而这一任务极具挑战性。由于编码阶段连续出现分辨率损失，且在解码阶段无法恢复这些丢失的信息，基于自编码器的分割方法在提取视网膜微血管结构方面能力受限。为此，本文提出一种新型多尺度生成架构——RV-GAN，以实现更精确的视网膜血管分割。该架构采用两个生成器和两个多尺度自编码判别器，有效提升微血管的定位与分割精度。为避免传统基于生成对抗网络（GAN）的分割系统所面临的保真度损失问题，我们引入一种新颖的加权特征匹配损失函数。该损失函数优先考虑判别器解码器提取的特征，而非编码器特征。结合判别器解码器在像素级上更精准地判断图像真实性这一特性，能够更好地保留视网膜宏观与微血管的结构细节。通过融合重建损失与加权特征匹配损失，所提出的RV-GAN在三个公开可用的数据集（DRIVE、CHASE-DB1和STARE）上，实现了像素级视网膜血管分割的曲线下面积（AUC）分别为0.9887、0.9914和0.9887。此外，RV-GAN在另外两个关键评价指标——平均交并比（Mean-IOU）和结构相似性度量（SSIM）上，均优于现有其他架构。