MCFNet：融合上下文信息的多尺度视网膜动静脉分类网络

针对由于血管类间具有强相似性造成的动静脉错误分类问题，提出了一种新的融合上下文信息的多尺度视网膜动静脉分类网络（multi-scale retinal artery and vein classification network,MCFNet），该网络使用多尺度特征（multi-scale feature,MSF）提取模块及高效的全局上下文信息融合（efficient global contextual information aggregation,EGCA）模块结合U型分割网络进行动静脉分类，抑制了倾向于背景的特征并增强了血管的边缘、交点和末端特征，解决了段内动静脉错误分类问题。此外，在U型网络的解码器部分加入3层深度监督，使浅层信息得到充分训练，避免梯度消失，优化训练过程。在2个公开的眼底图像数据集（DRIVE-AV,LES-AV）上，与3种现有网络进行方法对比，该模型的F1评分分别提高了2.86、1.92、0.81个百分点，灵敏度分别提高了4.27、2.43、1.21个百分点，结果表明所提出的模型能够很好地解决动静脉分类错误的问题。