RetinaScan-UNet：基于U-Net的视网膜血管分割深度学习方案

RetinaScan-UNet是塞维利亚大学人工智能软件工程课程（2025/2026学年）的项目，由marcosayalab维护，发布于2026年6月5日，开源链接为https://github.com/marcosayalab/RetinaScan-UNet。该项目采用自定义U-Net架构和5折交叉验证，在DRIVE 2004数据集上实现高精度的视网膜血管自动分割，为医学影像分割提供完整解决方案。

视网膜血管分割是计算机辅助诊断和视觉医疗保健的基础任务，准确提取血管结构可为眼科医生提供定量生物标志物，用于监测和诊断糖尿病视网膜病变（微动脉瘤、新生血管）、高血压视网膜病变（小动脉狭窄）、青光眼（视神经损伤相关血管变化）、年龄相关性黄斑变性（血管完整性评估）等疾病。由于医学影像数据集规模小、标注成本高，项目综合运用数据增强、基于patch训练、跳跃连接架构、交叉验证和推理后处理等技术，在可控计算成本下实现高质量血管提取。

项目使用DRIVE 2004数据集（视网膜血管分割领域广泛使用的基准），包含40张584×565像素的视网膜眼底照片，分为20张训练集和20张测试集。每张图像包含原始RGB眼底图、视野（FoV）掩码、两位独立专家的血管分割标注。第二位标注者的存在可测量观察者间差异，为算法性能提供现实上限参考。

项目基于Keras Functional API实现自定义U-Net架构（编码器-解码器结构）：

编码器模块：含两个3×3 Conv2D层（ReLU激活、He初始化）+ 2×2 MaxPooling2D层，作用是提取语义信息、增加感受野、降低空间维度。

解码器模块：使用UpSampling2D/Conv2DTranspose上采样、跳跃连接（Concatenate操作）、额外卷积细化层，作用是恢复空间分辨率、提高定位精度。

跳跃连接优势：保留细小血管信息、获得清晰边界、更好重建毛细血管结构。

基于Patch的训练

将高分辨率图像分割为128×128/256×256 patch，动态填充确保尺寸兼容，重建时移除填充，优势：增加数据集规模、降低内存需求、支持更大批次、提高训练稳定性。

数据增强

实时应用水平翻转、垂直翻转、随机旋转、对比度扰动，增加数据多样性且低内存占用。

5折交叉验证

5个独立数据划分，训练/验证集轮换，降低采样偏差，提高模型鲁棒性。

训练配置

优化器：Adam；损失函数：二元交叉熵；框架：Keras 3/TensorFlow；回调：EarlyStopping（早停）。

测试时增强（TTA）

对输入图像进行翻转、旋转等变换，平均预测结果，提升泛化能力和稳定性。

自适应Otsu阈值

对模型输出概率图二值化，自动确定最佳阈值，适应不同图像亮度分布。

形态学后处理

应用开运算、闭运算，去除噪声点、填充小孔洞、平滑血管边界，提升分割质量。

1. 端到端完整流程：覆盖数据预处理、模型训练、推理优化的全流程解决方案。
2. 医学影像专用优化：针对视网膜血管分割特殊挑战深度优化。
3. 计算资源友好：设计目标为标准消费级硬件高效运行。
4. 学术与实用并重：课程项目兼具理论展示与实际应用价值。

RetinaScan-UNet展示了经典U-Net在医学影像分割的应用，通过精心训练策略和推理优化，在有限标注数据下实现高质量血管分割。

对医学影像AI领域的启示：

• 数据增强和交叉验证是小数据集场景关键策略；
• 跳跃连接对保留细节信息至关重要；
• TTA和形态学后处理显著提升分割质量；
• 合理patch策略平衡计算效率与模型性能。

该开源项目为研究者和开发者提供宝贵参考，推动深度学习在医疗诊断领域的应用。