作为人体能够直接观察到的深层微血管,眼底图像中视网膜血管的不同形态(如直径、长度、分支、曲折等)具有医学诊断价值,可以用于心脑血管疾病和眼科疾病的检测、评估以及治疗阶段。眼底图像的获取便捷、无创,观察视网膜血管形态结构也非常容易。自动分割眼底血管能够减少眼科医生的工作量,同时提高分割准确率,再利用计算机辅助,可以进行大规模的眼科疾病、心血管疾病筛查和分析。从眼底图像中分割出血管是眼底图像分析的第一步,然而,由于眼底血管复杂的分支结构、嘈杂的背景和不同光照的差异,实施难度很大。本文提出了使用深度学习算法,构建语义分割网络,来实现对眼底图像的血管分割。近年来图像处理技术飞速发展,卷积神经网络的使用已成为研究热点,尤其是在图像分割、识别和检测等领域中都取得了显著成果。图像语义分割无论在人工智能领域还是深度学习、机器视觉中都是一个重要的环节。视网膜血管图像语义分割,简而言之就是把图片上的每一个像素点分类为血管像素点以及非血管像素点。本文构建出两种不同的语义分割网络——RV-SegNet、RV-LinkNet来进行视网膜血管分割。RV-SegNet(Retinal Vessel SegNet)是一个基于SegNet改进的语义分割网络。首先,对数据集进行预处理,再将图像按照有重叠的方式切分成小尺寸图像块。通过编码-多次解码的方式,进行图像像素-到像素的分割。然后,研究了具有不同感受野的编码块、解码块对分割效果的影响,其中,采用编码器使用两层卷积块、解码器使用一层卷积块的网络分割效果最好。由此得出卷积神经网络在做训练时,不能一味增加卷积层数,而应该根据感受野与图像大小做相应的调整。RV-SegNet与其他方法在DRIVE、STARE数据库上的分割结果进行对比,RVSegNet在准确率(Acc)、特异性(Spe)和AUC高于其他分割网络,表明RVSegNet方法准确率高。RV-LinkNet(Retinal Vessel LinkNet)是基于LinkNet改进的网络。首先,对数据集进行预处理及数据扩增。接着,利用上个实验得出的结论中感受野与图像大小之间的关系,改进LinkNet。最终设计出带有空洞卷积和残差结构的编码模块、解码模块,在不损失特征信息,且不增加计算量的情况下,得到更大的感受野。经过大量训练得到的最佳RV-LinkNet在DRIVE、STARE和CHASE_DB1数据库上的准确率(Acc)、敏感性(Sen)、特异性(Spe)和AUC均有不同的优势,整体优于其他分割算法。本文提出的语义分割网络,可以高效地完成眼底视网膜血管语义分割任务能够为基于眼底图像的疾病诊断、大规模疾病筛查提供技术支持。同时,网络中使用的方法适用于图像数量少的数据集进行训练,为深度学习提供新思路。