视网膜是眼球内部的一层薄膜,上面分布着众多的微型血管网络,在正常情况下,视网膜的形态一直是处于正常状态,但是对于一些眼睛疾病如糖尿病性视网膜病变、白内障和身体性的疾病如高血压、动脉硬化等都会对视网膜结构(如血管的宽度、角度、长度等)造成改变,因此,对视网膜图像进行分析研究是目前诊断各类疾病的主要方式。由于人为的对视网膜图像进行特征提取和分类十分依赖研究者的已有经验,而且通过肉眼进行疾病诊断可能会出现误判,因此,采用科学的方法对视网膜图像进行定量分析是正确诊断各类疾病的关键步骤。近年来,深度学习技术日益成熟,并在医疗图像处理应用中取得了突破性的成果,本文将基于深度学习技术对视网膜图像进行病变程度分类和血管分割两个方面的工作,主要内容如下:(1)对视网膜图像分类和血管分割的背景和现状进行了简单介绍,并详细描述了深度学习平台Caffe和TensorFlow的工作原理和使用优势,以及本文使用到的深度学习关键技术。(2)本文利用深度学习技术设计出了一种糖尿病性视网膜图像的自动分类系统。首先,根据视网膜数据集的特点对图像采取数据扩增、降噪等预处理操作;其次,在AlexNet的基础上,对网络引入批归一化层,得到一个网络层次更加复杂的卷积神经网络——BNnet;其次,本文借鉴了迁移学习方法的思想,采用ILSVRC2012数据集对BNnet网络进行预训练,并将得到的初始模型迁移到视网膜数据集上进行微调学习,从而提取出用于分类的深度特征;最后,本文设计了一个由全连接层组成的深度分类器——FCnet,根据BNnet网络提取的特征信息,该分类器可以将输入的视网膜图像分为正常的视网膜图像、轻微病变的视网膜图像、中度病变的视网膜图像等五类。实验结果表明,本文方法在测试集上的识别率可达93%,优于已有的视网膜图像分类方法。(3)此外,本文还设计出了一个视网膜血管自动分割系统。首先,根据DRIVE数据集的特点,对视网膜图像采取限制对比度自适应直方图均衡化、中值滤波和归一化等预处理,并将视网膜图像和对应的专家标注血管图裁剪成48×48大小的子图像,主要目的是降低神经网络规模和解决数据量不足等问题;其次,通过全卷积神经网络的低层和高层卷积层提取视网膜图像局部信息和全局信息;最后,通过上采样操作对提取到的视网膜特征进行插值重构从而得到血管分割图。由于随着神经网络层数的增加,高层卷积层在提取视网膜特征时会丢失部分细节信息,因此,单纯的进行上采样操作会使得到的分割结果往往比较粗糙。为了使神经网络能够充分理解视网膜图像的各种特征信息,本文将网络的低层卷积层和高层卷积层提取的特征进行融合,从而使模型分割出来的血管树更逼真于真实的效果。本文提出的方法在DRIVE数据集上的特异性、精确度、灵敏度、召回率和AUC分别为0.9856、0.9512、0.7256、0.8768和0.9683,优于以往的视网膜血管分割方法,表明本文方法在眼科疾病计算机辅助诊断中有很大的应用前景。