糖尿病视网膜病变是糖尿病眼部并发症之一,在早期没有任何明显的症状,随着病情的不断发展,会对患者视力造成不可逆的损伤。因此对于糖尿病视网膜病变患者,在发病早期进行干预和治疗是十分必要的。本文重点研究了糖尿病视网膜病变自动筛查以及眼底图像病灶分割算法。主要工作概括如下:1.对于糖尿病视网膜病变患者眼底图像病灶分割任务。考虑到病灶与背景之间存在类不平衡以及对于分割任务像素级标注的医学图像数量较少等问题,本文设计了一个基于多分辨率图像块及多尺度特征融合的分割框架。通过在图像上设置不同大小的滑动窗口,以获取多分辨率图像块。同时设计了一个含有注意力机制的多尺度特征融合模块,对基于多分辨率图像块所提取的多尺度特征进行融合。进一步,本文提出了一种基于Attention U-Net的主干网络用于提取图像特征并将其嵌入到上述分割框架下,从而建立糖尿病视网膜病变眼底图像病灶分割模型MCnet。主干网络是在Attention U-Net的基础上,通过并行的空洞卷积模块（IAC模块）来提取图像的多尺度特征;并将其与下采样阶段的特征图进行通道连接,从而降低网络编码阶段由于下采样造成的信息损失。通过在IDRiD数据集上实验对比分析,MCnet对于微血管瘤、出血点、硬性渗出、软性渗出预测的敏感度和精确率优于目前的一些眼底图像病灶分割算法。另外通过消融实验,验证了本文提出的基于多分辨率图像块及多尺度特征融合的分割框架适用于多种特征提取主干网络,并能够取得较好的预测结果;同时验证了本文提出的基于注意力机制的多尺度特征融合方式优于取最大值和平均值的方式。2.由于眼底图像视盘中血管与出血点、视盘本身与渗出等病灶颜色相近,在进行病灶分割时会出现错分的现象。因此本文提出了一个视盘分割模型DCnet来减少其对病灶分割的影响。DCnet改进了 U-Net网络的解码结构,通过“网状”连接,将上采样各个阶段的特征进行融合,并送入注意力模块,使得网络在融合多尺度信息的同时学习到更有价值的特征。将DCnet在三个公开数据集REFUGE、RIM-ONE-r3、Drishti-GS上进行训练和测试,与现有的模型相比显示了较好的视盘分割效果。最后建立了一个联合视盘分割的眼底图像病灶分割改进算法MCnet-OD,将经过DCnet视盘分割后的图像送入MCnet进行眼底图像病灶分割,提升了 MCnet对于IDRiD数据集中病灶分割结果的精确率。3.本文建立了一个糖尿病视网膜病变筛查以及眼底图像病灶分割系统。首先利用ResNet50在齐鲁医院内分泌科提供的真实数据集上建立了一个二分类网络,用于糖尿病视网膜病变筛查。其次将训练好的ResNet50、视盘分割网络DCnet、眼底图像病灶分割模型MCnet集成为糖网筛查及眼底图像病灶分割系统。通过交互式的方式,对输入图像做出诊断。第一步对输入图像进行糖网筛查,即输入的图像经过DCnet进行视盘分割后送入ResNet50分类网络,判断其是否患有糖尿病视网膜病变。第二步对该系统诊断为患有糖尿病视网膜病变的眼底图像进行病灶分割,从而得出结论供医生参考。