摘要
从眼底图像中进行视网膜血管分割是构建眼底疾病计算机辅助诊断系统的关键任务。近年来，研究者们提出了基于高性能深度学习的端到端方法，以实现眼底图像的自动血管分割。然而，获取眼底血管图像及其分割标注需要专业临床医师投入大量人力，导致训练数据集规模较小且标注不完整。众所周知，数据驱动的方法在数据不足时性能受限，模型极易在小规模训练数据上发生过拟合。当训练阶段的血管标注存在缺失或错误时，这一问题尤为严重。为此，本文提出一种学习组学习（Study Group Learning, SGL）框架，旨在提升在噪声标签下训练模型的鲁棒性。此外，所提出的可学习增强图（learned enhancement map）在可视化效果上优于传统方法，可作为辅助工具为临床医生提供更清晰的视觉参考。实验结果表明，所提方法在DRIVE和CHASE_DB1数据集上进一步提升了血管分割性能，尤其在训练标签存在噪声的情况下表现更为突出。