视网膜血管具有连续性且呈树枝状结构,其分支从视盘开始,血管宽度随着远离视盘而减小。同时,视盘是主血管汇合处,相比此处的血管区域较大、对比度较明显,而且病变视网膜会存在硬性渗出物等病理信息影响。因此,视网膜血管分割技术面临的挑战包括毛细血管与背景对比度低、视盘边界误分割和病理斑点的干扰。现阶段已经出现大量基于计算机辅助视网膜血管分割的方法和技术,利用计算机软件对其几何参数进行评估,有效地分离血管、病灶、黄斑及视盘等信息,可以促进医学专家对视网膜血管图像系统性和一致性的评估。于是,本文分别提出了三类算法:基于传统机器学习的多尺度滤波的血管分割算法、基于深度学习的自适应尺度信息U型网络分割算法和融合轮廓信息的生成对抗血管分割方法。主要工作如下:(1)融合多尺度滤波的视网膜血管分割算法。考虑到现有的传统机器学习算法存在提取血管特征的尺度单一、不同数据集之间血管特征差异性较大且易存在视盘和病灶误分割、微血管分割不合理的现象。于是,本文选用多尺度形态学滤波、匹配滤波、Frangi滤波和2D-Gabor滤波追踪血管的走向,获取到尽可能反应目标分类本质的特征向量,同时考虑到视网膜图像数据量小的问题,选用鲁棒性和泛化性较好的Adaboost分类器进行分类决策。最后利用连通域信息等后处理算法去除噪点等信息。(2)自适应尺度信息的U型视网膜血管分割算法。针对现有视网膜血管分割模型有模型固化和人工设计特征的缺陷等,在U-net网络的编码结构中加入可变形卷积,以更好地捕捉血管的形态结构和尺度信息。同时,考虑到可变形卷积会存在误分割的可能,在解码结构引入注意力机制,使解码结构能够更加准确地捕捉目标更深层次的语义信息。由于Unet结构的特性,解码器可以有效地结合浅层的纹理信息提升分割的精准度,从而降低整体纹理信息的损失。(3)融合轮廓信息的生成对抗视网膜血管分割算法。考虑到大多数算法在微血管方面分割鲁棒性不高,且存在二值化后部分血管易归为背景信息等缺陷,本文通过改进条件生成对抗网络的损失函数,以使网络学习到更鲁棒的视网膜血管轮廓信息。同时,采用距离惩罚项约束金标准信息与生成图像的距离信息。此外,本文在生成器网络中利用通道注意力机制和不同尺度的注意力机制。实验表明,同时利用这两种注意力机制和轮廓损失熵,不仅可以合理的分割出更多的微血管信息,而且能够抑制背景噪音等信息。