该研究的目标是获取眼底视网膜血管的高精度分割结果。眼底视网膜血管与多种疾病相关，如青光眼、糖尿病和高血压等，均会使眼底视网膜血管的形态和结构发生改变。对视网膜血管进行自动分析，建立眼底视网膜图像的计算机辅助诊断系统，可辅助医生对这些疾病进行高效和精确的诊断。其中的一个核心关键是对眼底视网膜图像进行高精度的血管分割。针对这一问题，项目组之前已获得了两项研究成果，提出了两种深层卷积神经网络的方法，即多尺度深监督网络（PCM 2018，CCF-C）[1]和语义及多尺度聚合网络（ICASSP 2020，CCF-B）[2]，提高了视网膜眼底血管分割的精度。然而，分割得到的视网膜眼底血管树中存在较多的断点，不利于后期的血管形态和结构分析，将影响眼底视网膜图像计算机辅助诊断系统的鲁棒性和可靠性。视网膜血管树的断点问题，在基于深层卷积网络的视网膜血管分割方法中广泛存在，在世界范围内并未得到研究人员的充分重视，相关前期研究较少。因此，项目组针对视网膜血管树的断点问题进行研究，提出了递归语义引导网络（MICCAI'20，顶级医学图像处理国际会议）[3]，减少视网膜血管分割中的断点，提高分割血管树的连接性。

项目组以三层U-Net为基础网络模型，提出了语义引导模块，用深层网络中丰富的语义信息指导网络学习，挖掘表示能力更强的血管特征，以克服图像拍摄时不同光照和眼底病变对血管提取的不利影响，提高分割血管的连接性。此外，分割算法中还引入了递归迭代的优化方式，将分割结果反复送入同一网络中进行优化，在不增加额外网络参数和网络训练难度的情况下，使血管分割精度和连接性不断提高。实验结果表明，本方法在通常的血管分割评价指标上(AUC，SE，SP)与已有最先进的视网膜血管分割方法相似，但在血管树连接性的评价指标上（INF，COR）大大高于已有方法，体现了递归语义引导网络的有效性。

[1] Rui Xu, Guiliang Jiang, Xinchen Ye, Yen-Wei Chen, Retinal Vessel Segmentation via Multiscaled Deep Guidance, Pacific Rim Conference on Multimedia 2018 (PCM 2018), Hefei, China, September 21-22, 2018. 

[2] Rui Xu, Xinchen Ye, Guiliang Jiang, Tiantian Liu, Liang Li, Satoshi Tanaka, Retinal Vessel Segmentation via a Semantics and Multi-Scale Aggregation Network, IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2020), Virtual Barcelona, May 4-8, 2020.

[3] Rui Xu, Tiantian Liu, Xinchen Ye, Yen-Wei Chen*, Lin Lin, Yen-Wei Chen, Boosting Connectivity in Retinal Vessel Segmentation via a Recursive Semantics-Guided Network, International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2020), Virtual Lima, Peru, October 4th-8th, 2020. (arXiv Version : https://arxiv.org/abs/2004.12776)