No description available.

This study presents the development and evaluation process of an improved CG-ResUnet neural network model for retinal blood vessel segmentation. The methodology includes preprocessing techniques such as CLAHE, Kirsch and grey filtering to improve image quality. The developed model showed the highest precision (0.961), but it also showed the lowest area under the curve (AUC) (0.919). The lowest recall (0.872) indicates that the model still has potential for improvement in minimising false results and accurately identifying vessel pixels. The precision (accuracy) of the model (0.631) is higher than other models, indicating that this model is highly sensitive. However, additional tuning is required to achieve higher accuracy and overall segmentation quality. F1-Score (0.729) and Dice score (0.729) were also higher than other models, indicating high potential for growth with further tuning. A hybrid post-processing approach combining automatic segmentation with manual adjustments is proposed to improve segmentation accuracy, especially for complex images with thin vessels. Future research should focus on improving accuracy and solving segmentation problems in areas of high complexity to further improve diagnostic efficiency and reduce manual labor in clinical settings. / В данном исследовании представлен процесс разработки и оценки усовершенствованной нейросетевой модели CG-ResUnet для сегментации кровеносных сосудов сетчатки. Методология включает в себя такие методы предварительной обработки, как CLAHE, Кирша и серая фильтрация для улучшения качества изображения. Разработанная модель показала самый высокий показатель точности (0,961), однако она также продемонстрировала самый низкий показатель площади под кривой (AUC) (0,919). Самый низкий показатель recall (0,872) указывает на то, что модель все еще имеет потенциал для улучшения в минимизации ложных результатов и точном определении пикселей сосудов. Точность (precision) модели (0,631) превышает показатели других моделей, что указывает на высокую чувствительность данной модели. Однако для достижения более высокой точности и общего качества сегментации требуется дополнительная настройка. Показатели F1-Score (0,729) и Dice score (0,729) также оказались выше, чем у других моделей, что свидетельствует о высоком потенциале для роста при последующей настройке. Для повышения точности сегментации, особенно для сложных изображений с тонкими сосудами, предлагается гибридный подход к постобработке, сочетающий автоматическую сегментацию с ручными корректировками. Будущие исследования должны быть направлены на повышение точности и решение проблем сегментации в областях с высокой сложностью для дальнейшего повышения диагностической эффективности и сокращения ручного труда в клинических условиях.

This study presents the process of development and evaluation of an enhanced neural network model, GCD-UNet, for the segmentation of retinal blood vessels. The methodology involved preprocessing techniques like CLAHE, Gabor, and gray filtering to improve image quality, followed by a modified U-Net architecture incorporating a Dropout layer for better generalization. The model achieved an accuracy of 0.954, an AUC of 0.942, and a Dice coefficient of 0.770. These results indicate significant improvements in vessel pixel identification and overlap with ground truth masks. Despite high recall (0.932), the model's precision (0.562) suggests a need for further optimization to reduce false positives. A hybrid post-processing approach, combining automatic segmentation with manual adjustments, is proposed to enhance segmentation accuracy, particularly for complex images with thin vessels. Future research should focus on refining precision and addressing segmentation challenges in highcomplexity regions to further improve diagnostic efficacy and reduce manual labor in clinical settings. / В данном исследовании представлен процесс разработки и оценки усовершенствованной нейросетевой модели GCD-UNet для сегментации кровеносных сосудов сетчатки. Методология включает в себя такие методы предварительной обработки, как CLAHE, Габор и серая фильтрация для улучшения качества изображения, а затем модифицированную архитектуру U-сети, включающую слой Dropout для лучшего обобщения. Метрика Accuracy составила 0,954, AUC - 0,942, а коэффициент Дайса - 0,770. Эти результаты свидетельствуют о значительном улучшении идентификации пикселей сосудов и их совпадении с масками, полученными в результате исследования. Несмотря на высокий показатель Recall (0,932), точность модели (0,562) говорит о необходимости дальнейшей оптимизации для уменьшения количества ложных срабатываний. Для повышения точности сегментации, особенно для сложных изображений с тонкими сосудами, предлагается гибридный подход к постобработке, сочетающий автоматическую сегментацию с ручными корректировками. Будущие исследования должны быть направлены на повышение точности и решение проблем сегментации в областях с высокой сложностью для дальнейшего повышения диагностической эффективности и сокращения ручного труда в клинических условиях.