视网膜血管状态与包括眼睛病变在内的许多身体疾病之间存在着密切的关联性,对眼底视网膜图像进行智能检测和分析,获取视网膜血管病变和病灶信息,对临床医学具有重要的研究意义。由于视网膜血管粗细不一,其最小处直径只有数个像素宽度,因此血管分割的准确性,对于后续智能分析效果显得尤为重要。传统视网膜血管分割算法大多基于相邻像素或区域的颜色跳跃特性,利用梯度运算等数学模型来实现检测,重点关注图像局部区域以及特定方向上的血管分布,因此对比度较弱的微细血管的检测性能并不理想。考虑到生物视觉系统在感知目标时的非凡性能,因此本文将丢弃传统的图像处理思路,充分考虑视觉系统的弱目标检测以及感知学习能力,首先利用视觉神经系统中被广泛证实的弱信号增强随机共振机制,构建时空转换模型来实现微弱血管的自动分割检测;此外利用大脑神经元深层次动态突触互连的学习机制,在传统卷积神经网络的基础上,并结合视通路视觉信息传递的多路径特性,提出一种基于多路径卷积神经网络的眼底图像血管分割新方法。本文的主要研究工作和成果如下所示:(1)构建并实现随机共振响应模型在弱信号增强中的应用。给出了随机共振响应的评价指标以及一维弱信号增强的实现步骤,重点研究了传统随机共振响应模型在二维图像增强中的应用思路,尤其是二维空间与一维序列的映射关系对于图像空间特性保持的影响,并尝试将随机共振应用于眼底视网膜血管的分割,与传统基于梯度算法的数学模型进行了实验比较,结果表明随机共振方法对于视网膜血管具有较好的分割特性,尤其在弱血管分割中具有较为稳定的性能。(2)提出了一种基于时空信息变换的眼底图像血管分割方法。由于传统降维方法未考虑领域像素之间的相互关系和影响,破坏了图像二维的空间信息,导致图像细节信息变得模糊不清,图像的输出质量并不高。与传统的降维思路不同,本文主要利用图像的二维空间信息与时域之间的转换,将图像像素信息转换为时间轴t相关联的正弦信号,将每个像素的水平位置、垂直位置和对应像素值分别转换为正弦信号的频率、相位和幅值,将得到的一维正弦信号输入到非线性系统FHN神经元模型中,通过添加高斯白噪声寻求三者之间的最佳协同状态,得到信号的最优输出;对此输出信号进行逆变换重新组成一个新的方阵,即将一维像素值序列恢复成二维图像像素值矩阵,所得矩阵即为对应视网膜血管分割结果。以目前常用的DRIVE数据集和STARE数据集作为实验对象,对其进行定性定量的分析研究,评价指标平均准确度(Acc)、灵敏度(SE)、特异性(SP)分别为0.9477,0.7129,0.9652和0.9481,0.7205,0.9495。证明了该方法在视网膜血管检测上的有效性,改善了对于血管末梢微细血管的检测性能,为随机共振在医学图像上的应用提供了一种新的思路。(3)提出了一种基于多路径卷积神经网络的视网膜血管分割方法。改变了眼底图像全频段处理的传统模式,利用分频处理的思想,分别获取了表征整体轮廓的低频图像和表征局部细节特征的高频图像。针对低频图像特点构建一条低频特征提取通道,利用一系列卷积和采样操作提取图像特征,实现端到端的分割目标;针对高频图像特点构建一条高频特征提取通道,包括编码区-解码区,将编码区的特征图保存并融合到对应的解码区中,实现更具细节的分割效果;最后通过信息融合编码,实现整体轮廓和局部信息的融合,得到最终的分割图。以DRIVE和CHASE＿DB1图库为对象对本文方法进行了性能评估与测试,其中DRIVE数据库的实验结果中,评价指标平均准确度(Acc)、灵敏度(SE)、特异性(SP)分别为0.9580,0.8639,0.9690,CHASE＿DB1数据库的评价指标Acc、SE、SP分别为0.9601,0.8778,0.9680。所提方法在视网膜血管分割中具有较好的性能,展示了在生物医学图像处理中的应用潜力,为后续的图像处理及分析方面,提供了一种新的思路。