临床医学中眼底图像能反映各种疾病的早期症状,眼科医生可通过视网膜血管实现早期诊断。现实世界中视网膜血管结构复杂且医师在诊断时具备主观性,因此设计一种视网膜血管自动分割方法对于减轻医师负担和早期诊断至关重要。当前医学图像领域中深度学习已成为主流方法,它相较于传统分割方法避免了人工提取特征的过程,使得最终分割结果更为客观。本文基于上述背景,采用深度学习从以下三个方面进行视网膜血管分割研究:1.基于编码-解码网络和注意力机制的分割方法。本文采用一种二层U-Net编码-解码结构,通过引入跳接、双线性插值等方式对其进行优化,有效避免了小数据集带来的过拟合情况。为了捕获特征图中对于分割任务最有利的区域,本文采用一种注意力模块实现感兴趣区域的提取,该注意力模块通过在特征图通道、空间上进行权值重标定实现血管上下文信息的充分利用。通过对比实验将该注意力模块嵌入至合适位置,最终获得高精度的血管分割结果。2.基于多尺度和级联网络的分割方法。为了解决血管分割任务中常见的血管不连通情况,本文利用多尺度信息和级联网络实现了相关性能的提升。首先基于多尺度特征融合方式中的并联分支和串联分支结构捕获特征图的多尺度信息,具体实现依靠空洞卷积和额外的跳接操作。然后通过级联多个基本编码-解码网络实现血管细节的优化,将主干网络的输出作为细化网络的输入,让细化网络对血管断裂情况进行修正。本文采用一种3路径连接方式,将引入不同多尺度特征融合结构的基础编码-解码网络分别作为主干网络和细化网络,最终获得了具备良好连通性能的血管分割结果。3.不确定性量化在视网膜血管分割中的应用。基于数据集中常存在多位医师的分割标注图像,本文在血管分割任务中引入不确定性量化概念,其目的是防止血管分割模型做出过度自信的决策。在贝叶斯神经网络相关基础上采用MC dropout方法获取多次前向传播的图像分割结果,计算方差后利用特定分解公式将其分解为偶然不确定性和认知不确定性,其目的是模拟不同情况下的标注图像并为后续完善血管分割的不足指引方向。