青光眼是一种慢性且不可逆的眼底疾病,也是当前世界范围内的第二大主要致盲眼病。青光眼的发病过程是一个慢性且不容易被患者察觉的过程,因此又被称为“悄无声息的视觉杀手”。正是由于青光眼的发病特性和危害之大,青光眼的智能诊断研究,对于青光眼的早期预防、发现及治疗具有重要的意义,为人们的生活质量提供了重要的技术保障。青光眼的智能诊断主要是基于数字眼底图像的分析,现有的诊断方法主要包括两类:基于视杯、视盘分割的方法以及基于提取特征直接分类的方法。前者是通过对眼底图像中的关键区域(视杯、视盘)进行分割,最终计算得到垂直区域的视杯盘比等临床学参数为后续进行分类诊断的同时也提供了医学解释;后者是通过对眼底图像进行特征提取,然后利用提取到的特征训练分类器进行直接分类诊断,避免了处理复杂的分割任务。本文将主要研究基于这两类的青光眼诊断方法,针对前者,本文主要考虑关键区域分割这一重要子问题。近些年,随着深度学习技术的不断发展,具备强大辨别力的特征自动提取能力的深度模型在青光眼诊断任务上取得了良好的表现。已有的基于深度学习的关键区域分割方法存在着诸如模型形变适应能力差、不同层次特征融合不充分等问题;已有的基于提取特征直接分类的方法存在数据缺乏、类不平衡以及域变换等问题。此外用于青光眼诊断的数据集规模较小,训练数据较为缺乏。为了克服上述一系列挑战,提高分割、分类性能,同时满足实际大规模青光眼诊断场景中快速、准确诊断需求,本文提出了两种基于改进U型网络的视杯、视盘分割方法和一种基于深度卷积神经网络的青光眼分类诊断方法。(1)基于视杯、视盘分割的青光眼诊断方法的核心问题是如何快速精准地对视杯、视盘进行分割。已有的基于深度分割网络的分割算法由于模型本身缺乏对物体形变的适应能力导致分割性能依赖于大量标记数据的训练。由于青光眼分割训练数据集缺乏,本文通过引入可变卷积操作,从内部增强了模型对物体形变适应能力,进而提高模型分割性能;通过引入U-net++架构,分割模型不同层次的特征得到了更好的融合,针对视杯、视盘分割任务难度的差异,本文采用不同层次的架构,在保证分割性能的同时,更加高效和轻量化。实验结果均表明了本文先后提出的两种分割方法(DeforU-net,DeforU-net++)能有效提高网络的分割性能,提升视杯、视盘的分割精度。(2)基于提取特征直接分类的青光眼诊断方法的核心问题是如何提取具有辨别力的特征并利用这些特征训练分类器。已有的基于分类诊断的方法存在着鲁棒性较差、分类准确率不高的问题,这主要是因为实际诊断中不同数据集之间存在一定的域变换问题且用于青光眼诊断的数据集规模较小。本文通过采用U-net预处理输入图片提取图像感兴趣区域,然后经过图像增强操作尽量减少不同数据集之间的图片差异,进而缓解域变换问题;通过对预训练网络的微调,使模型鲁棒性得到进一步提高。实验结果表明该方法能有效提高模型鲁棒性和分类准确率。