学院2020级电子信息专业研究生吴芸以第一作者在SCI四区期刊Computer Modeling in Engineering & Sciences (影响因子：2.027 )发表研究论文，论文题目为《SepFE: Separable Fusion Enhanced Network for Retinal 

Vessel Segmentation》。

该论文是在我校焦铬教授的指导下完成，足球赌注软件、智能信息处理与应用湖南省重点实验室为署名单位。论文核心理论是：现有的基于U-Net的视网膜血管分割方法取得了一定的研究进展，但复杂度过高，在训练和推理阶段需耗费大量的资源。这进一步限制了模型在终端设备上的部署，尤其是那些嵌入式的设备。其次，每个阶段的跳过连接会不加选择地融合本地信息。这引入了许多不相干的背景噪声。为了解决这些问题，本文提出了一种名为SepFE的视网膜血管自动分割算法，其整体框架如图1所示。首先，鉴于深度可分离卷积的出色工作，我们引入它们来取代其中的一些传统卷积层。通过减少参数数量和计算量，降低了所提模型的复杂性。其次，倒置的残差结构作为MobileNet V2的核心构件，我们将预先训练好的MobileNet V2直接注入编码器以充分提取上下文特征。众所周知，使用迁移学习可以使模型在一个高起点的方向上学习得更好。第三，我们提出了一个特征融合残差模块（FFRM），通过在相邻层分别使用倒置的残差结构来加强融合，利用它们的互补性来更准确地定位目标血管。在DRIVE、STARE和CHASEDB1数据集上的广泛测试表明，所提出的SepFE的参数数量仅为U-Net的3%，Flops仅为U-Net的8%，并且获得了更好的分割性能。通过与其他先进方法的比较，进一步证明了SepFE的优越性。

图1 视网膜血管分割整体框架图