融合ResNet 结构的U-Net 眼底视盘分割方法

（上海理工大学光电信息与计算机工程学院，上海 200093）

0 引言

近年来青光眼和糖尿病的患者人数不断攀升［1］。糖尿病的常见并发症是糖尿病性视网膜病变，如果得不到及时诊断和治疗容易造成视力损失甚至失明。青光眼严重时也会造成视力下降或失明。这两种疾病的诊断通常需要对视盘进行准确定位和分析。

眼科医生在诊断时通常需耗费大量的时间和精力来估计视盘的位置和大小，这种诊断方法具有较强的主观性，个人经验的不同会影响诊断结果。计算机辅助诊断技术是快速准确分析青光眼和糖尿病视网膜病变的重要方法，其核心步骤是定位和分割彩色眼底图像中的视盘。

视网膜眼底图像中视盘是一块亮白色类圆形区域。传统的视盘分割方法分为基于边缘、形状和区域3 类［2］。Xu 等［3］利用全局椭圆参数与局部变形模型相结合的方法分割视盘边界。初始曲线位置的确定对分割结果影响较大，在对比度较低的眼底图像中收敛效果较差；Morales等［4］用圆或椭圆拟合视盘边界，但因视盘的形状特征不规则，会造成分割偏差；Reza 等［5］利用加入标记的分水岭变换算法将眼底图像分割成不同区域并进行标记修改，但分割结果受亮病灶干扰严重。传统视盘分割方法提取特征类型较为单一，对视盘的亮度特征及形状特征有较大的依赖性，泛化性能较弱［6］。

基于深度学习的方法在进行视盘分割任务时表现较为优异。神经网络能够使分割过程自动执行，自主学习眼底图像中的特征表达，有效提取视盘的特征信息，分辨能力强，提高了视盘分割效率［7］。……