青光眼是常见的慢性眼部疾病,其是一种不可逆性致盲眼病。青光眼早期并不伴随明显的症状,且视力无明显下降,很多患者察觉症状再就医时已处于晚期,此时视力损伤已不可逆。青光眼的早期筛查与诊断对疾病预防与患者视力保护具有重要意义。将人工智能技术应用于青光眼筛查对青光眼早诊断早治疗具有较好的辅助作用。青光眼是由病理性眼压增高、视神经供血不足等原发因素所引起的视神经损害与视野缺损。青光眼会改变视神经头的形态,表现为在视神经头区域具有较大的视杯盘比、视神经盘灰白化或视神经盘出血等现象。视杯盘比(Genetic mapCup to Disc Ratio,CDR)即眼底图像中视杯(Optic Cup,OC)和视盘(Optic Disc,OD)区域的比值,是判断青光眼的关键指标。利用深度学习高精准地分割眼底图像中的视杯和视盘区域成为辅助青光眼筛查的重要研究内容。在眼底图像中视杯视盘会出现重叠现象,其相互影响制约了分割的精度,先准确地分割视盘可校准视杯和视盘同步分割时视盘区域的误差,因此本文分别研究了视盘的深度分割模型以及视杯视盘同步分割模型,具体研究内容如下:(1)针对眼底图像多源异质的特点,以及视盘形态多样、多尺度和边缘模糊等特性,本文以U形模型为基础,结合上下文和注意力提出了改进的视盘分割模型ACE-Trans UNet(Trans UNet with Attention and Context Extraction Mechanism,ACE-Trans UNet),包括:(1)在编码阶段,引入IBN(Instance-batch Normalization,IBN)模块和CBAM(Convolutional Block Attention Module,CBAM)模块,提升模型泛化性和图像通道特征提取能力;(2)在特征融合阶段,使用多层次上下文信息提取模块MCE(Multi-level Context Extraction,MCE)处理主干网络输出Bucladesine价格的特征,增强模型对视盘边缘特征的提取能力;(3)在解码阶段,使用Transformer机制提高视盘多尺度特征和眼底图像全局信息的提取能力。(2)为提高视杯视盘同步分割的精度和效率,本文提出了视杯视盘同步分割模型(Double Encoder Light Dense Network,DEL-Dense Net),包括:(1)引入轻量化的卷积模块和Mini-Inception,在控制模型轻量化的条件下,实现特征复用,增强模型分割性能;(2)设计双解码器的架构,分别处理眼底图像的不同通道,降低视杯分割对视盘分割精度的影响;(3)减少解码器部分的卷积层,轻量化分割模型,提升模型的分割效率。以DRISHTI-GS1,i Challenge-PM,RIGA和RIM-ONE四个公开数据集为基础,挑选包含完整视杯视盘的1005张眼底图像为实验数据,分别对提出的视盘分割模型(ACE-Trans UNet)、视杯视盘同步分割模型(DEL-Dense Net)进行了消融实验和对比实验。将视盘分割模型(ACE-Trans UNet)与FCN、UNet、UNet++、Deep Labv3+、PSPNet相比,ACE-Trans UNet具有更高地分割效率且稳定性更好,其Dice、Mio U、MPA和FPS分别达到了98.18%、96.45%、98.11%和17.56。将视杯视盘同步分割模型(DEL-Dense Net)与SegNSC 119875 Net、Fast FCN、UNet、PSPNet、Deep Labv3+、Refine Net相比,DEL-Dense Net具有更好的分割精度且更轻量化,其Disc_(Dice)、Disc_(Io U)、Cup_(Dice)、Cup_(Io U)和FPS分别为96.91%、94.07%、84.40%、73.56%和33.61。综上所述,本文提出的视盘分割模型ACE-Trans UNet和视杯视盘同步分割模型DEL-Dense Net可为青光眼疾病的早诊断提供技术支撑。