视网膜血管是人体中唯一可以无创观测到的血管,对于临床医学诊断具有重大价值和意义。糖尿病、高血压等心血管疾病的早期症状会改变视网膜血管的管径、走向以及空间分布,甚至会出现新生血管。然而由于眼底照相设备的局限性导致图像的质量不佳,有光照不均、血管末梢对比度低等现象,再加上血管本身空间分布复杂,还有病变区域干扰,使得专家手工分割十分费时费力,易受主观因素影响,因此,利用计算机辅助诊断技术进行视网膜血管自动提取十分重要。国内外专家学者研究了各种方法实现视网膜血管的自动分割,随着深度学习技术的发展,卷积神经网络也被用于实现视网膜血管分割,本文设计了两种基于全卷积神经网络的视网膜血管分割算法:1)设计了基于图像分块的视网膜血管分割算法。该算法首先对图像进行灰度化和标准化,采用对比度受限的自适应直方图均衡化方法提高血管与背景的对比度,用滑动窗口技术将图像分为部分重叠的小块,输入卷积神经网络中。本文设计了基于编码器-解码器结构的全卷积神经网络,并引入了残差密集连接结构,充分提取图像特征,将普通卷积替换为空洞卷积,以不增加网络参数的方式增大了网络的感受野。分块后的图像经过训练好的网络后,拼接成完整图像后再通过Otsu阈值分割方法得到最终的分割结果。实验结果表明,基于图像分块的方法在中心血管反射和病变区域干扰的情况下有一定的鲁棒性,相比于其他现有方法其准确率和灵敏度更高,能提取更多血管。2)实现了端到端的视网膜血管分割算法。首先对眼底图像的每个通道分别进行标准化处理,然后将整幅图像输入已训练的卷积神经网络中得到分割结果。本文设计了类似U-Net模型的编码器-解码器结构的全卷积神经网络模型,引入了残差密集连接模块和空洞卷积。在训练过程中,先将图像分块处理以扩充数据集,进行预训练,再用原始尺寸的图像对网络进行微调。实验结果表明,端到端的方法在DRIVE和CHASE＿DB1数据集上有较好的分割性能,比基于图像分块的算法耗时更少。