文摘生物医学图像分割已成为医学诊断中的关键任务之一。然而,由于组织和器官的复杂形态及其结构的多样性,医学图像分割技术的实际应用面临显著的技术挑战。在传统卷积神经网络(Convolutional Neural Network,CNN)中,最大池化操作常常导致信息的不可逆丢失,尽管引入小波变换在一定程度上改善了这一问题,但小波变换本身也存在局限性。为了解决这一问题,提出了一种基于双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)和U-Net的视网膜血管分割模型——DTCWU-Net。该模型通过引入DTCWT替代传统池化层,双树复小波逆变换(Inverse DTCWT,IDTCWT)替代传统上采样层,显著增强了特征提取能力,尤其在保留图像细节方面表现出色。DTCWU-Net还引入了高低频特征融合注意力(Low and High Feature Fusion Attention,LHFFA)和多尺度门控注意力(Multi-Scale Gate Attention,MSGA)模块,进一步提升分割性能。实验结果表明,DTCWU-Net在DRIVE数据集上取得的准确率(Accuracy,ACC)为0.9686,受试者工作特征(Receiver Operating Characteristic,ROC)曲线下面积(Area Under the ROC Curve,AUC)为0.9867,在CHASE_DB1数据集上取得的ACC为0.9750,AUC为0.9903,在STARE数据集上取得的ACC为0.9757,AUC为0.9901。在F1、灵敏度(Sensitivity,SE)、ACC和AUC等关键指标上,超越了其他主流方法的表现。通过多模块协同优化,DTCWU-Net显著提高并展现了视网膜血管分割精度与细节恢复能力。
