视网膜眼底图像中的血管形态是判断青光眼、高血压、糖尿病视网膜病变等疾病的重要指标。视网膜血管分割的准确性直接影响到视网膜图像分析的质量,而视网膜图像分析是现代眼科诊断方法的重要组成部分。由于临床上对于彩色眼底图像识别效率不高,容易受环境以及医生本身经验的影响,本文采用基于深度学习的语义分割技术实现对视网膜血管的精确分割。针对彩色眼底图像视网膜血管分割问题,本文重点从眼底图像血管增强与改进U-Net网络模型两方面进行了研究。主要做了以下内容的研究:(1)针对视网膜血管特点,本文对视网膜血管增强进行了深入研究。通过结合不同图像增强算法的特点完成对视网膜血管的增强,本文首先采用基于直方图均衡化的方法提高图像的质量并保持局部细节特征,增强血管与背景的对比度。然后采用MSR算法增强血管图像的大部分细节特征,同时降低减少噪声的干扰采用小波算法选取合适的阈值与阈值函数,有效地减少视网膜图像中幅值较大的噪声,得到比较清晰的视网膜血管图像。(2)针对视网膜图像的血管提取过程,血管与背景对比度不明显导致提取精度下降的问题,首先采用了一种低维特征信息增强的改进U型卷积神经网络模型。由于U-Net网络在训练过程中图像低维细节信息将逐级削弱,在U-Net中扩张路径的特征图与收缩路径同级上的特征图融合前,先与它上一层级的特征图进行融合,即通过一个特征融合模块,进一步优化了提取结果的边缘提取精度。同时在U-Net网络的底部增加级联空洞卷积模块,以达到在不增加额外参数的情况下扩大视网膜图像特征映射的感受野下,保留多尺度的血管特征和更多图像细节,尤其对于分割眼底视网膜中较小的血管,这样也将有效地防止眼底视网膜血管图像在训练时产生过拟合。基于标准图像集DRIVE的实验结果表明,本文所提算法的平均准确率、灵敏度与特异性较之传统U-Net算法有所提高,也优于其他分割算法。