摘要
视网膜血管的直径和形态结构是多种疾病及医学状况的重要生物标志物。对视网膜血管系统进行深入分析，通常需要对血管进行分割，并将其分类为动脉与静脉，这一过程一般基于眼底照相（retinography）获取的彩色眼底图像完成。然而，人工执行此类任务耗时费力，且易受人为误差影响。尽管已有多种自动化方法被提出以应对该任务，但当前最先进的技术仍面临显著分类错误的问题，这些错误会破坏分割结果的拓扑一致性。针对这一局限，本文提出一种新型端到端深度学习框架——RRWNet。该框架采用全卷积神经网络结构，通过递归迭代的方式对语义分割图进行逐步优化，有效纠正明显的分类错误，从而显著提升分割结果的拓扑一致性。具体而言，RRWNet由两个专用子网络构成：基础子网络（Base subnetwork）负责从输入图像生成初始分割图，而递归优化子网络（Recursive Refinement subnetwork）则通过迭代递归机制持续改进这些分割结果。在三个不同公开数据集上的评估结果表明，所提出方法达到了当前最优性能，生成的分割图在拓扑一致性方面优于现有方法，且显著减少了明显的分类错误。此外，RRWNet中的递归优化模块在对其他方法生成的分割结果进行后处理时也表现出良好效果，进一步验证了其通用性和应用潜力。模型代码、预训练权重及预测结果将公开发布于 https://github.com/j-morano/rrwnet。