基于深度学习的眼底图像分割算法研究.pdfVIP

摘要

眼部疾病目前较为常见，若不及时治疗可能会导致部分或完全视力丧失。因此，早期

展开眼部疾病诊断以及治疗显得极为关键。眼部图像对诊断眼部疾病至关重要，通过分析

血管、视盘和视杯等结构的形态特征，医生能够做出诊断。但是，由于眼底图像的质量参

差不齐且结构复杂，对这些结构的分割仍然是一项具有挑战性的任务。因此，提取眼底图

像中的有效特征并实现对眼部结构的精确分割对眼部疾病的早期诊断治疗很重要。传统的

分割方法需要医生手动进行会耗费大量时间精力，同时对医生的专业知识要求较高。相比

之下，自动化的分割方法不仅能够为临床医生提供更准确的诊断工具，还有助于加速眼部

疾病的研究和治疗进展。近年来，深度学习在医学图像分割任务上取得了一定的进展。它

不仅可以减少医生的时间成本，还能提高诊断的效率，具有不错的应用前景。因此，本文

提出了一种基于深度学习的眼底图像分割算法研究，主要研究内容如下：

（1）基于U型神经网络的视网膜血管分割算法研究。本文先对视网膜血管分割方法

进行了研究，针对多层次特征提取过程中常见的空间信息损失和细微结构分割模糊等问题，

提出了两项关键改进。首先，在解码器中引入了注意力池化特征融合模块，通过融合最大

池化和平均池化，并结合SE模块，有效减少了多