医疗行业拥有令人惊叹的数字图像数据,其中包含丰富而未经探索的信息。这些数据可以转化为有价值的知识,在决策过程中为医生提供支持。从基于人工分割的评估到全自动的评估,人们提出了不同的方法来分析医学图像数据。由于基于人工分割的方法耗时且可重复性较差,因此计算机科学家一直致力于开发自动化方法。图论和机器学习方法是发展自动化医学图像分析方法的广泛而有效的技术。卷积神经网络（CNN）是机器学习的一个子集,它通过分层和连通的算法来获得自适应特征,每一个算法都提供对其所输入数据的不同解释。基于图论的模型以灵活强大的方式来表示各种图优化问题。虽然基于图的方法有很多种,但是本文的工作主要集中在图搜索和图割方法上。这些方法能够将不同的平滑度约束（如区域和边界信息）集成到图的构造中,从而以能够解决空间平滑度问题的方式解决问题。本研究旨在探讨CNN和基于图论的方法对视网膜神经上皮层脱离（NRD）相关积液的识别能力。NRD是许多发达国家男性个体视力损害的一个相对常见因素。频域光学相干断层成像（SD-OCT）是眼科诊断中一种公认的成像方法,能够对视网膜形态组织进行即时直接成像。尽管SD-OCT具有优势,但它生成的视网膜图像信噪比相对较低,需要仔细选择分析方法。鉴于NRD的严重性和SD-OCT图像的性质,提出一种全自动的方法对NRD进行早期检测和随访,以消除晚期诊断和错误治疗时可能出现的失明。为了促进SD-OCT图像中NRD相关积液自动分析技术的发展,本研究进行了以下工作。1.基于图论提出了一种分割NRD相关积液和11个视网膜表面的方法。该方法的主要创新是引入了一种被称为“划分和合并”的技术,以解决基于图优化的计算量大的问题。在下积液和视网膜层分割方面,我们提出了一种新颖的解决方案,该方法可以定位中央凹区域,该区域可以捕获大小不同的中央凹区域,而无需任何有关中央凹半径的信息。2.设计了一种卷积神经网络模型,以解决与下积液异常相关的分割问题,包括SDOCT图像中的NRD、视网膜内积液（IRF）和色素上皮脱离（PED）。该模型利用最新的CNN概念来捕获下积液类型的解剖学差异,以便可以精确地对它们进行分割和分类。3.在当前状态下,采用CNN获得最佳效果时受到超参数选择和相关体系结构设计的影响。由于它们庞大且相互依赖,因此需要大量的工作来选择适当的超参数。其他研究领域,例如使用CNN模型的句子分类,已有先前的工作,这些工作为确定最佳超参数给出了良好的指导;但是,对于诸如从SD-OCT图像进行下积液分割之类的任务尚不清楚。考虑到这一点,我们进行了广泛的实验,以研究和区分对所提模型重要的和相对无关紧要的超参数。在准确性、训练时间、测试时间和训练稳定性方面评估了每个超参数对所提模型的影响,在此过程中,以训练损失为中心进行了分析。4.最后,在同一数据集上测试了基于图的模型和基于CNN的模型,以比较和揭示每种方法的优缺点。根据实验结果,在准确性方面,卷积神经网络模型提供了更好的结果。卷积神经网络模型具有可扩展性,能够在不改变模型设置的情况下分割三种类型的视网膜下积液。基于CNN的模型需要大量样本训练和计算资源,例如基于GPU的计算机系统。另一方面,对于基于图的模型,即使与基于CNN的模型相比,该模型实现的精度较低,但计算效率更高。“划分和合并”方法大大降低了图优化的计算成本,因此该模型可以在任何基于CPU的计算机上运行。此外,由于基于图的模型依赖于基于问题规范的图结构和图像数据,因此该模型能够通过简单统计信息表示的先验信息模型进行分割NRD相关的下积液和11个视网膜表面。使用CNN模型进行11个视网膜表面分割等任务目前尚不容易实现,原因是CNN需要大量的训练数据集,并且来自受NRD影响的图像,通过手动分割获得所有这些图层的金标准相对困难,在这些图像中,图层的结构和强度分布发生了明显变化。基于图的缺点是,它需要面向于特定应用的转换,包括成本函数、约束和模型参数。在某些情况下,这些函数无法表示专家们没有认真观察和表示的数据集。为了使其在临床上可行,基于图的方法需要专家的干预。但是对于CNN,如果可以使用附加的代表性训练数据集,则该模型可以简单地自学习和更新。