年龄相关性黄斑变性(Age-related Macular Degeneration,AMD)是全世界老年人视力衰减和失明的主要原因之一,脉络膜新生血管(Choroidal Neovascularization,CNV)是AMD的一种常见眼底病变表现。CNV病变区域以及相应视网膜层的分割对临床判断CNV是否活动、会否复发、疗效判读有丰富的参考意义。光学相干断层成像技术(Optical Coherence Tomography,OCT)是一种能够对CNV的眼底区域进行清晰成像的影像生成技术,并由于其无接触、高分辨率以及成像速度快的特点,在临床上得到广泛应用。计算机辅助的图像分割方法可以实现快速、精确的分割,不仅能够减轻医生手动分割的负担,并且能够降低不同研究员手动分割之间的差异性。本文提出一种基于深度学习的对患有CNV的OCT图像的全图分割方法。本文的算法框架基于“编码器-解码器”型卷积神经网络,并针对CNV的分割难点,提出多种分割策略:为了解决CNV引起相邻视网膜层对比度降低的问题,本文设计了通道像素转特征图像素模块,通过将特定通道中的像素转换到一个更大的特征图,实现特征图的放大;设计辅助边缘损失函数,强化病灶和视网膜的边缘,使视网膜各层更容易分割;面对CNV引起的视网膜层的巨大形态变化,本文引入注意力机制,设计兼顾全局与细节的注意力模型以及专注于病灶区域的注意力模型,使网络既关注到特征图中视网膜结构的全局信息,又关注边缘、病灶的细节信息。本文提出的方法,可以有效解决患有CNV的OCT图像不同患者、不同病程形变差异大、视网膜层边界难以区分的问题。本文的算法在汕头大学·香港中文大学联合汕头国际眼科中心使用蔡司 OCT设备以及苏州比格威医疗科技有限公司使用拓普康OCT设备采集的共计60个三维OCT数据上实验,其中每个数据包含128个二维切片,共计7680个二维图像。本文的算法结果在Dice系数、IoU和Accuracy等指标上与现有的深度学习网络进行比较,定量的实验结果表明本文算法在患有CNV的OCT图像分割中具有明显的优势。