摘要
血管分割在疾病诊断与手术规划中具有关键作用。近年来，基于深度学习的血管分割方法取得了卓越性能。然而，由于血管细小且对比度低，传统U型分割网络在处理过程中容易丢失空间信息，导致分割效果受限。为缓解这一问题，本文提出一种新颖且简洁的全分辨率网络（Full-Resolution UNet, FR-UNet），该网络通过多分辨率卷积交互机制在水平与垂直方向上扩展特征表达，同时保持输入图像的全分辨率信息。在FR-UNet中，特征聚合模块融合相邻阶段的多尺度特征图，以补充高层上下文信息；改进的残差块则持续学习多分辨率表示，从而生成像素级精度的预测图。此外，本文提出一种双阈值迭代算法（Dual-Threshold Iterative Algorithm, DTI），用于提取弱血管像素，显著提升血管连通性。所提方法在视网膜血管数据集（DRIVE、CHASE_DB1、STARE）以及冠状动脉造影数据集（DCA1、CHUAC）上进行了评估。实验结果表明，FR-UNet在多数数据集上均取得了最优的灵敏度（Sen）、AUC、F1分数与交并比（IOU），且参数量更少；同时，DTI算法在大幅提升灵敏度的同时，有效增强了血管结构的连通性，显著改善了分割结果的完整性与准确性。