探索数据增强在视网膜血管分割中的极限

视网膜血管分割在多种疾病的诊断中具有重要意义。当前关于视网膜血管分割的研究主要集中在基于U-Net架构的分割模型的性能优化。在本研究中，我们采用U-Net架构，并通过大量数据增强策略以提升模型性能。数据增强的成功关键在于有效解决输入图像的处理问题。通过对输入图像进行分析并针对性地实施增强操作，我们显著提升了U-Net模型的分割性能。实验结果基于最广泛使用的视网膜图像数据集DRIVE进行评估与报告。