青光眼是不可逆转失明的主要原因,早筛早治是降低致盲率的关键。彩色眼底图像中,视杯与视盘的形态变化是青光眼病变的显著特征,计算视杯盘垂直比(CDR,Cup-Disc-Ratio)也成为了青光眼筛查中重要的诊断依据,CDR越大患有青光眼的风险越高。我国幅员辽阔,人口众多,区域间医疗水平存在不充分不平衡的问题,仅依靠医生诊断青光眼不仅无法完成大规模的筛查,也使青光眼的筛查与预防工作在偏远地区难以推进。使用深度学习算法分析眼底图像进行视杯盘的自动分割,将有助于提高青光眼筛查的效率。本文基于改进的深度学习算法实现对彩色眼底图像进行高效、准确的视杯盘自动分割,以辅助医生诊断青光眼,主要工作如下:1.视杯盘自动分割方法中,多使用编码器-解码器模型作为主干网络,以捕获更多的上下文信息。受U-Net影响,许多编码器-解码器网络都使用跳跃链接将浅层特征与深层特征拼接。然而,由于二者之间的语义差异,这一操作会产生大量噪声,干扰最终分割结果。针对这一问题,本文提出CSPM-Net用于视杯盘自动分割任务。为了提高训练效率,CSPM-Net使用更轻量级的U-Net作为提取特征的主干网络。CSPM-Net在网络早期层添加了一种基于注获悉更多意力机制的多尺度池化模块——CSPM(Channel-Spacial Pyramid Pooling Module)模块,可以增强浅层特征,降低语义鸿沟带来的影响。CSPM模块通过不同大小的池化核提取到丰富的多尺度特征,将特征提取过程中丢失的空间上下文信息传达到网络后期。注意力机制则抑制了无关的语义信息,达到减少浅层特征与深层特征语义差异的目的。本文在Drion-DB、Drishti-GS以及RIM-ONE v.3三个数据集上对CSPM-Net进行了训练和测试,对比现有算法,CSPM-NET各项评估指标均有所提高。2.现有的视杯盘分割算法网络大多使用全监督方式训练,依赖大量的标注数据,而标注是非常稀缺的数据资源。为了减少网络训练对标注数据的依赖,充分利用无标注数据,本文提出一种基于边界感知的半监督算法NSC 127716用于视杯盘分割。该方法基于变化一致性的自集成算法。方法中有两个结构相同,但是权重更新方式不同的模型:一个使用梯度下降法进行权重更新,称为学生模型;一个是学生模型的平均值,使用滑动平均法更新权重,称为教师模型。通过最小化教师模型与学生模型对同一目标预测结果的差异,即可利用无标注数据计算二者的一致性约束训练网络。然而,视杯盘分割中常用的Dice Loss虽然可以很好地解决视杯盘分割中前背景不平衡问题,但是对于目标边界的错误分割不够敏感。针对这一问题,本文构建了一种基于边界损失的复合损失函数用于网络训练,提高网络对边界分割的敏感度。此外,本文在一致性约束中引入了不确定性感知,来过滤掉网络对无标注数据的预测中不确定的部分,使网络在可靠的目标中学习。在Refuge数据集上与现有的半监督算法进行的实验结果显示,基Urban airborne biodiversity于边界感知的半监督算法有效利用了无标注数据,提高了网络分割精度。