LUNet：用于高分辨率眼底图像中动脉和静脉分割的深度学习方法

视网膜是人体中唯一可以通过成像技术（如数字眼底图像（DFI））非侵入性地观察到血管的部分。视网膜微血管的空间分布可能会随着心血管疾病的发生而发生变化，因此眼睛可以被视为了解心脏状况的一扇窗口。视网膜动脉和静脉（A/V）的计算机化分割对于自动化的微血管分析至关重要。通过主动学习，我们创建了一个新的DFI数据集，该数据集包含由十五名医学生手动完成并经眼科医生审核的240个众包A/V分割样本，并开发了LUNet，一种用于高分辨率A/V分割的新颖深度学习架构。LUNet架构包括一个双扩张卷积块，旨在增强模型的感受野并减少其参数数量。此外，LUNet具有一个长尾部分，在高分辨率下运行以优化分割结果。自定义损失函数强调了血管的连续性。实验结果显示，LUNet在本地测试集以及四个外部测试集上均显著优于两种最先进的分割算法，这些外部测试集模拟了不同种族、共病和注释者之间的分布变化。新创建的数据集将在发表后开放访问。