摘要： 目的：知觉组织是人类视觉系统中最基本的功能之一,其将视觉信号整合和重组,以便能够将理解和感知到的信息组织成有意义的目标或物体。格式塔知觉组织理论建立了一系列基础规则,旨在总结归纳人类视觉编组的规律。基本的知觉组织规则包括接近率、连续率、相似率、闭合率、协变率等。理解并有效利用知觉组织规则,可以使计算模型在复杂场景中实现更加快速、准确的处理。本文受知觉组织规则启发,对相似率、接近率、连续率和协变率规则进行建模并改进深度学习模型,提升模型在光学相干断层扫描血管造影（optical coherence tomography angiography,OCTA）血管分割任务中的表现。
方法：在知觉组织规则中,相似率、接近率、连续率分别表示相似的、靠近的、方向角差异较小的元素更容易被视为一个整体。本文使用自注意的计算模式衡量了元素的相似率,使用欧氏距离结合高斯函数计算了元素的接近率,使用Gabor卷积函数构建朝向感知模块来度量元素的连续率。进一步将建模的知觉组织规则融入深度学习的编码器与解码器中来增强了模型对曲线结构的连贯性特征表达。此外,知觉组织规则中的协变率是指在一个场景中同时移动或改变的元素更容易被视为一个整体。本文受此启发本文提出了基于协变率的半监督学习方法来应对医学图像标注数据不足的问题。本文设计的背景漂移方法可以模拟生成多样化的人造样本,让少样本在低维流形上变得更加稠密,使模型在没有大量标注数据训练的情况下也能够良好地收敛。
结果：本文在公开的OCTA血管分割数据集上进行了单样本学习任务的测试。结果表明,在OCTA图像血管分割的任务上,结合知觉组织规则的模型拥有更好的分割性能,与其他先进的血管分割算法相比,提出的方法具有更高的分割准确性和更好的泛化性能。
结论：本文通过模拟人类视觉系统中相似率、接近率和连续率规则的计算,增强了深度学习模型对曲线结构的连贯性表达,在OCTA血管分割数据集获取了更加准确的分割结果。另一方面,本文基于协变率规则假设,利用未标注样本提升学习算法的性能,使得模型在极少标注数据训练的情况下也能良好地收敛。

关键词: 知觉组织, 半监督学习, OCTA, 血管分割, 深度学习