利用光学相干断层技术（OCT）产生的视网膜疾病图像是分类眼科疾病的重要措施。目的是利用四种不同分类模型的迁移学习方法对糖尿病黄斑水肿、老年性黄斑变性、玻璃疣三种病变的OCT视网膜图像进行自动分类, 实现迁移学习在OCT图像分类上的应用。将VGG-16、Inception V3、MobileNet V2、ShuffleNet-V2这四种神经网络模型在大规模图像分类数据集预训练好后, 进行模型微调和训练参数更新, 进而找到实现上述三种眼科疾病自动分类的最优模型, 达到高效的OCT视网膜病变自动分类效果。实验结果表明, 四种模型中轻量型MobileNet V2经模型微调后的评价指标优于其他模型。

针对光学相干层析视网膜图像进行人工分类诊断时存在漏检、效率低等问题,提出一种基于深度学习技术构建联合多层特征的卷积神经网络分类算法。首先通过均值漂移和数据归一化算法对视网膜图像进行预处理,并结合损失函数加权算法解决数据不平衡问题;其次使用轻量深度可分离卷积替代普通卷积层,降低模型参数量,采用全局平均池化替换全连接层,增加空间鲁棒性,并联合不同卷积层构建特征融合层,加强层间特征流通;最后使用SoftMax分类器进行图像分类。实验结果表明,该模型在准确率、精确率、召回率上分别达到97%、95%、97%,缩短了识别时长,所提方法在视网膜图像分类诊断中具有良好的性能。

光学相干层析成像(OCT)由于具有微米级高分辨率、非接触式成像以及瞬时性等特点, 成为临床医学领域的研究热点, 近些年得到迅速的发展, 取得诸多进展与突破。本文简述了OCT技术在眼科医学中的各类应用及发展现状, 分类讨论了OCT图像在空域和频域中的降噪方法, 并重点总结了OCT眼前节和视网膜图像中各层组织的精确定位分层方法。其中深入分析了基于灰度值搜索方法、活动轮廓模型、图论和模式识别等分层方法, 并针对现有分层方法的优缺点以及存在的问题展开深入讨论, 提出相应的解决方法和优化方案。对眼科相关疾病的临床诊断指标分析评价, 根据眼科临床医学需求和OCT图像处理现状, 对未来OCT图像处理的发展趋势和发展水平做进一步讨论和分析。

针对传统眼底照相机检查不到视网膜边缘的缺陷，提出一种基于Volk角膜接触透镜的免散瞳广域视网膜成像系统。照明充分时，Volk镜头能够达到130°以上的视场。在传统眼底相机的基础上改进照明方式,采用外部环形光纤照明的方式实现视网膜广域照明。增大入射角度消除鬼像的影响，同时避免由环形照明方式导致的中心区域的暗斑现象，被照亮的眼底图像经过接目物镜组消除眼角膜反射造成的杂光并采用手动调焦的方式在CMOS相机上成现清晰的像。图像采集使用(2/3)英寸板面彩色CMOS相机并且实时上传至电脑客户端进行分析、处理、存档等操作，经过后期图像处理后可为各类眼科疾病的诊断、筛查提供清晰、客观的依据。

为了给视网膜图像配准、光照校正及视网膜内部病理学检测等问题提供有效依据, 本文提出一种有效检测及识别彩色视网膜眼底图像血管的全自动方法。针对视网膜可见血管呈长条型管状、局部具有较好直线型结构的形态特点, 本文采取适用于条状结构的组合移位滤波响应模型进行特征提取。针对血管和血管末端特征的不同, 分别配置对称和非对称的两种滤波模型进行跟踪, 利用组合移位滤波模型(对称和非对称)获取到的响应及G通道像素灰度值共同构建特征向量库, 采用AdaBoost分类器对各个像素点进行分类判定。基于国际公共数据库DRIVE与STARE的实验结果表明, 该方法针对两个标准数据库的分割结果(DRIVE: Accuracy=0.948 9, Sensitivity=0.765 7, Specificity=0.980 9; STARE: Accuracy=0.956 7, Sensitivity=0.771 7, Specificity=0.976 6)均优于已有方法, 适用于彩色视网膜眼底图像的计算机辅助定量分析, 可作为临床借鉴。

针对眼底图像中血管与背景间对比度低以及血管自身结构复杂等因素对视网膜血管分割所带来的问题, 本文提出了一种具有自适应连接值的脉冲耦合神经网络(PCNN)与高斯匹配滤波器相结合的视网膜血管分割方法。首先, 利用对比度受限制的自适应直方图均衡化(CLAHE)技术与二维高斯匹配滤波器对血管区域的对比度进行有效增强。然后, 利用经验阈值选择出一定的血管区域作为初始种子区域。接着, 将带有快速连接机制的PCNN与种子区域增长思想相结合, 通过自适应动态设置PCNN中的连接强度系数和停止条件, 实现眼底图像中血管区域的自动生长。整个算法在DRIVE视网膜图像库中进行了测试, 实验结果表明, 相比于不使用动态连接强度系数与停止条件的方法, 所提出算法的灵敏度从49.79%提高至70.39%, 准确度从95%提高到95.39%。证明了该算法具有较好的分割精确度和应用价值。

为了抑制视网膜不同结构特征之间的影响, 提高视网膜微动脉瘤的检测精度, 提出了一种基于特征相互关系的视网膜微动脉瘤提取算法。首先, 对视网膜灰度图像进行均值滤波, 检测圆形边界和视盘, 并构建视盘掩模。然后, 对视网膜绿色分量图像自适应直方图均衡化, 利用Canny方法提取边缘, 移除图像圆形边界并填充封闭的小面积对象。最后, 考虑不同特征之间的相互关系, 消除较大面积对象后进行"逻辑与"运算移除视网膜渗出物、血管和视盘, 得到视网膜微动脉瘤图像。实验结果表明: 该算法能够有效提取视网膜眼底图像中的微动脉瘤, 其敏感度、特异性、阳性预测值和检测精度分别达到了94.81%、96.04%、91.64 %和95.66%, 基本能够满足临床应用对稳定性和精度的要求。

基于眼底视网膜图像的糖尿病视网膜病变(糖网)自动检测不仅可使得实施大规模糖网筛查成为可能， 也可为糖网早期诊断、 及时治疗以及人眼视觉科学研究提供重要依据。 为此， 提出了基于数学形态学的糖网病灶自动检测算法： 首先利用数学形态学结合阈值分割快速提取出视盘， 在此基础上得到病灶候选区域； 然后利用形态学重建等获取精确的病灶轮廓， 从而实现病灶的准确检测。 实验结果表明， 该算法能够快速， 有效地检测出眼底视网膜图像中的糖网病灶。