近些年来,医学图像依靠计算机的图像处理技术在病灶诊断和治疗上都取得了很大的进步。众所周知,医学图像如果能很好地分割出医生想要的相关内容,将大幅度提高疾病诊断或治疗的效率,所以医学图像上的分割问题一直是人们最关注的问题之一。很多疾病在发病初期或患病过程中都会在人体视网膜血管上得以体现,比如常见的高血压、糖尿病等。此外,眼底视网膜血管也是人体最容易通过无创伤的方式直接观察到的血管。所以将血管从各种眼底视网膜图像中分割出来,将给医生的诊断以及治疗工作带来巨大的便利。现如今,对于血管分割已经有很多方法,但在分割效率、灵活度、准确度等方面还不够,所以很有必要设计提出一个更高效、更灵活、更准确的自动化视网膜血管分割算法。而深度学习在人工智能,计算机视觉等方面都有不错的表现。因此基于深度学习的图像分割研究具有一定的研究意义和应用前景。本文所做的主要工作有以下几点:(1)由于视网膜血管图像细节信息众多,首先将Unet编码器替换为特征提取能力更强的去掉全连接层的VGG16网络。考虑到VGG16中过多的池化层会永久性损失更多的特征信息,将VGG16中最后两个池化层替换为空洞卷积,解决原有池化层在扩大感受野和降低图像分辨率上的矛盾问题。此外,沿用了Unet中高低层网络特征融合的方法,但考虑到融合操作中的裁剪对于分割效果并没有影响,所以将Unet中所有卷积操作替换为Same卷积,进而简化融合过程。最后,由于视网膜血管图像中的血管宽度、长度等各不相同。为了使得网络能够感知到不同尺度的血管,提升对细小血管的分割精度,加入了金字塔特征融合模块整合图像上下文信息,利用多尺度多局部区域的特征融合进一步提升分割效果。(2)将DRIVE数据集中的视网膜血管图像在视盘内部进行随机分块处理,以此来扩充数据集大小。在网络训练过程中,对图像块随机进行旋转、平移等操作,进一步扩充数据集。为了使提出的网络分割效果更出色,针对数据集的特点,对所有的图像进行图像预处理,其中包括修改图像尺寸、图像灰度化、图像标准化、CLAHE对比度增强。训练阶段防止过度拟合使用了K折交叉验证方法。在模型预测阶段,使用图像块重叠取平均的方式提升分割效果。(3)为验证本文提出的网络相比Unet是否有分割效果提升,将每次改进后的分割结果进行对比分析。实验证明本文网络相比Unet有分割效果提升。为了进一步验证本文提出的网络的泛化性能,将本文网络也应用于STARE数据集,依然拥有不错的分割效果,本文方法相比近些年其他的一些血管分割方法在分割结果上也具有一定的优势。