眼底视网膜图像处理与分析是计算机视觉在医学领域的重要应用,通过对眼底图像结构分割可以有效地对各类疾病进行准确的判断,例如糖尿病性视网膜病变、动脉硬化、高血压、青光眼以及其它眼底相关疾病。传统分割算法误差较大,近年来,深度学习网络框架层出不穷,如何利用深度学习的方法来代替眼科医生人工观测,从而提高检测效率和降低人工误检率逐渐成为当前研究的热点问题。眼底图像视网膜结构分割是本文的主要研究内容。首先,针对眼底血管图像数据不易收集、标注工作繁琐的问题,本文提出基于GAN网络的眼底血管图像自动生成方法。生成网络部分采用编码器和解码器两个部分,编码器为特征提取带来了更丰富的语义信息,解码器使用反卷积来恢复特征图的尺寸,并融合编码器中的特征图以修复损失的特征信息,判别网络部分负责判断输入判别网络的图像是否为真实图像。在此基础上,本文提出一种基于深度学习的眼底图像结构分割方法,分割对象为眼底图像的血管、视杯视盘、黄斑、出血点和渗出物眼底结构。针对眼底图像结构复杂,结构细节分割不清晰的问题,设计多尺度输入卷积神经网络以增加网络对于分割结构细节的学习能力,每一个尺度的数据先经过VGG-19卷积层提取卷积特征,然后将特征向量传送到多层感知器,输出每一个尺度的分割结果,最终将全部通道提取的特征向量通过全连接的方式,输出分割的眼底图像。由于GAN网络大幅扩充了数据集,使训练样本得以补充,进而提升了网络模型的分割性能。多尺度输入大大增强了网络的特征提取能力,提高了结构细节分割的准确性,分割准确率得到了大幅提升。实验证明,本文方法成功解决了彩色眼底图像的结构分割问题,对眼底血管、视杯视盘、出血点和渗出物的分割在现有验证集上表现出较好的泛化能力,展现了良好的眼底特征结构分割能力。其中,血管分割的准确率达0.927,视杯视盘的分割准确率达0.973,出血点的分割准确率达0.904,渗出物的分割准确率达0.939。