角膜共聚焦显微镜(Corneal Confocal Microscopy,CCM)是一种实时无创且高精度的显微镜,能对活体角膜的各层结构进行成像,其中包括角膜神经纤维。神经纤维的一些指标如长度、密度、弯曲度等信息的异常以及曲折度的等级可以作为角膜疾病或损伤的诊断依据,但是人工获取这些信息是一项极其繁琐的任务,因此对CCM图像中神经纤维实现自动分析具有重要的临床意义。基于以上内容,本文提出了 CCM图像中神经纤维自动分析的方法,包括分割和曲折度分级两部分内容。首先,针对角膜神经纤维的分割,本文提出了一种基于改进U-Net的条件生成对抗网络的神经纤维自动分割方法。对U-Net的改进包括两个方面,一是对网络结构的改进,在4层U-Net的解码部分的上采样操作之后加入了 MSC(多尺度分离及融合)模块,提高了网络特征提取的能力;二是对损失函数的改进,将金标准与预测图之间的神经纤维长度差异与Dice损失函数相结合,引导网络更加关注细小纤维的分割。然后将改进的U-Net作为条件生成对抗网络的生成器,对角膜神经纤维进行分割。本方法在中山眼科中心提供的8例共计90张CCM图像神经纤维数据集上进行了四折交叉验证实验,平均分割Dice系数为88.84%,表明本文方法可以有效实现CCM图像中角膜神经纤维的自动分割。其次,针对角膜神经纤维的曲折度分级,本文提出了一种基于随机森林的CCM图像中神经纤维曲折度自动分级的方法。在预处理阶段,使用本文提出的自动分割方法获取角膜神经纤维的分割图以及进一步的骨架图。在特征提取阶段,提取了包括HOG特征、纤维间方向离散程度、多尺度样条拟合下计算曲折度指标三个方面的特征。在随机森林训练与测试阶段,使用聚类欠采样平衡训练样本,并使用ReliefF特征选择算法代替随机森林中的随机选择特征步骤。实验数据集分别来白中国科学院慈溪生物医学工程研究所公开的410张CCM图像数据集和意大利帕多瓦大学公开的30张CCM图像数据集。本文方法分别在两个数据集进行了五折交叉验证,自动分级的平均准确率分别达到83.1%和90%,表明本方法可以有效实现对CCM图像中角膜神经纤维弯曲度的自动分级。