视力障碍是影响人们生活质量的重要因素,而视网膜病变是造成视力障碍的重要原因之一,如老年黄斑病变(AMD)、青光眼、糖尿病视网膜病变(DR)等。近年来,随着成像技术的发展,以频域相干断层扫描(SD-OCT)为代表的成像技术,有分辨率高、非接触性、成像速度快的特点,能够观察到视网膜内部精细的三维结构,因此广泛应用于视网膜疾病的诊断治疗。利用图像处理手段来自动识别量化SD-OCT视网膜图像中的病变区域有着重要的临床意义及研究价值。同时,SD-OCT成像技术也可以提供更多的关于眼部疾病的生理表现。因此如何利用计算机来进行病变的自动分割和量化也成为如今研究的热点课题。本文围绕SD-OCT视网膜病变图像,研究了地图状萎缩(GA)病变的自动分割和量化问题。论文的主要工作总结如下:(1)提出了一种基于双阶段学习的GA病变自动分割模型。利用SD-OCT图像的轴向数据作为样本,采用栈式自动编码器来建立离线模型和自学习模型。其中离线模型为基本模型,通过学习所有病例的共性特征建立分类模型,进行粗分类。但受病人多样性、视网膜病变复杂性,以及成像设备等因素的影响,基本模型不一定适用于所有病例。因此,利用自学习模型,从个体病例出发,考虑病人自身图像特点,学习其差异性特征,进行个体分类。最终通过融合离线学习结果以及自学习结果有效减少了假阳性,提高分割精度。(2)提出一种基于多路径三维卷积神经网络的GA病变自动分割模型。在仅使用单列数据作为样本时,无法考虑到图像的空间信息,容易造成分割空洞,所以基于此问题,本文设计了一种多路径三维卷积神经网络。为了保留图像的空间信息,首先,将原始图像分为三维图像块,为网络提供合理的输入。然后,多路径网络利用不同大小的卷积核来获取不同的特征,并进行融合。最终利用交叉熵损失函数和中心损失函数来共同监督训练网络,有效的解决了分割空洞问题。(3)提出了一种基于病人独立的多损失GA病变自动分割模型。受病人多样性的影响,不同病人病变的表现形式也不相同,并且图像中还包含视神经头以及除GA外的其它病变,这些因素都加大了分割的难度。因此本文基于独立的病人或不同成像设备产生的图像,提出了多损失的卷积神经网络,通过融合分类损失,以及中心损失和多路径块的交叉熵损失,来共同监督网络模型,解决了深层网络梯度消失的问题。并通过融合多路径输出,获得分割结果,以此来建立一种较为鲁棒的自动分割模型。