光学相干断层成像(optical coherence tomography,OCT)技术具有非侵入性高分辨率的特点,目前已经广泛地应用在眼科视网膜黄斑病变的诊断中。黄斑区是视网膜的光学感受中心,是视力轴线的投影点,是对光最敏感的地方。周围视力的缺失有时不易被觉察,而黄斑损伤则会导致即刻而明显的中心视力的缺失,黄斑区的病理性改变会极大影响人们的正常生活,甚至是失明。最常见的黄斑病变通常有糖尿病性黄斑病变和老年性黄斑病变。在这两种病变情况下,OCT能够提供视网膜病理的清晰横断面表示和对单个视网膜层进行可视化,因此对于指导抗血管内皮生长因子疗法的实施至关重要,这在临床上其他检查方式如眼底检查或彩色眼底摄影中是不可能的。随着OCT视网膜图像的大数据化,基于OCT视网膜图像的分类和分割算法成为研究的热点。目前已有许多算法用于OCT视网膜图像分类,但是由于不同机构采集图像的标准参差不齐,导致不同来源的同一病变的图像分布会有差异,因此可能会降低算法的泛化性能。针对这一问题,本文研究并提出使用样本迁移网络对OCT视网膜图像进行分类,使用大规模有标签数据作为源域数据,将少数无标签数据作为目标域数据,值得注意的是,源域数据和目标域数据来源不同。通过对有标签数据的有监督训练和根据无标签数据无监督训练调整网络参数,提高网络对无标签数据的分类效果。本研究选取三个不同来源公开可用的OCT视网膜数据集,用于两个迁移任务:数据集一-数据集二,数据集一-数据集三。这三个数据集有不同的类,它们之间有共享类。数据集一包括糖尿病黄斑水肿(DME)、玻璃膜疣(Drusen)、脉络膜新生血管(CNV)和正常(normal)四类图像。数据集二中涉及的类是DME、Drusen和Normal。数据集三包括DME和Normal。通过与仅在源域数据训练的VGG-16对比,样本迁移网络在迁移任务一和迁移任务二均有较好的表现,具体地对于迁移任务一,精度从81.67%提升到92.97%,对于迁移任务二,精度从73.30%提升到96.19%。糖尿病囊样黄斑水肿是黄斑病变的一种,已有研究表明,通过相干断层成像计算水肿的容积来评估囊样黄斑水肿治疗的预后。因此,自动化分割囊样黄斑水肿对于临床具有重要的意义。本文提出了一种基于高斯混合模型和水平集的方法,在SD-OCT图像上自动分割糖尿病性视网膜病变中的视网膜内的液体。方法总体上可以分为两个步骤,预处理,囊肿分割。预处理部分包含对视网膜的层分割和对OCT图像的去噪处理。囊肿分割分为以下几个步骤:首先,每个B-scan使用高斯混和聚类的方法进行初分割。然后通过位置距离约束和厚度信息约束对聚类结果进行优化。接着利用每5个连续的B-scan的空间信息搜索潜在的液体区域。最终使用优化后的水平集方法对分割结果的边界进行优化。本文所提出的算法在十个患有糖尿病性黄斑水肿的病人数据集上进行测试。对分割结果进行评估,并且从Dice相似系数(dice similarity coefficient,DSC),真阳性误差,假阳性误差三个方面衡量算法的性能,结果分别为74.89%(±3.91%)、82.20%(±2.81%)、1.38%(±0.56%),算法的高灵敏度和精确度显示了其检测水肿的能力和对临床诊断有一定的指导意义。