眼科临床医学中,视网膜血管的形态结构是医生对患者进行眼科疾病和其他相关疾病诊断的重要依据。视网膜里血管结构复杂,在大规模眼底检查中,医生通过肉眼进行检测耗费大量精力同时可能有漏诊、误诊现象发生。而使用计算机分割视网膜血管技术辅助医生诊断,可提高诊断效率并降低误诊率。随着深度学习技术的快速发展与卷积神经网络在图像识别上的广泛应用,越来越多的基于卷积神经网络的图像处理技术应用于医疗图像分割任务中。相对于传统的图像分割技术,使用深度学习技术的分割算法准确度更高。目前基于卷积神经网络的医学图像分割已成了研究的热点。本文将深度学习技术应用到视网膜血管分割研究中,开发完成了视网膜血管分割辅助诊断系统,可为医生提供准确的视网膜血管分割服务以及眼科远程辅助诊断服务。本文研究的主要内容如下:(1)设计基于深度学习的视网膜血管分割优化算法。提出视网膜眼底图像数据集预处理以及图像扩增方法,为后续网络模型训练做准备。选取出合适的基准网络模型U-Net,结合视网膜血管分割任务特点,提出改进的U-Net模型,设计的改进模型通过设计多路径的跳跃连接以充分利用上下文信息,提升网络分割性能。并将网络中标准卷积替换为可变形卷积提高网络自适应血管几何形变的能力,引入批标准化层避免网络出现梯度弥散或梯度爆炸,加入改进的残差模块加深网络进一步提高网络提取特征信息的能力。改进的网络模型在DRIVE数据库上进行训练和评估,实验结果表明,改进的U-Net模型在视网膜血管分割任务上取得了较好的分割效果。(2)采用测试驱动开发策略开发视网膜血管自动分割辅助诊断系统。系统开发采用B/S架构,分别开发了眼底图像采集子系统、视网膜血管自动分割子系统以及远程辅助诊断子系统。眼底图像采集子系统实现患者基本信息获取与眼底图片采集功能;视网膜血管自动分割子系统采用本文改进U-Net模型对采集到的眼底图像进行分割,实现视网膜血管自动分割服务;远程辅助诊断子系统通过展示患者基本信息、眼底图像、分割后的眼底图像实现阅片功能,医生阅片后给出诊断意见实现诊断功能,诊断后再形成诊断报告。此外,该系统以列表形式展示患者信息并增加搜索功能实现患者信息管理功能。最后,通过系统测试得出所开发系统在眼科临床辅助诊断上具有一定的实用性。图[34]表[12]参[76]