视网膜疾病是眼科疾病最常见的病症,它严重地影响着人类的视觉。近年来,视网膜疾病患者人数在逐渐增多,这引起了广泛的关注。视网膜层组织结构的改变是眼底疾病最明显的特征之一,常见的情况是视网膜厚度变化甚至某几层视网膜的消失。光学相干断层成像(OCT)是一种具有图像分辨率高、对眼睛没有伤害、不需要接触眼睛等特点的新型眼底成像技术,它能够直接的呈现视网膜层结构的各个细胞层。运用OCT,医生可以通过直接观察视网膜层的细微变化来对疾病进行诊断,因而OCT已经成为临床治疗中一项重要的常规检查,而视网膜层的精确分割以及视网膜层厚的定量分析成为疾病诊断的重要前提和保障。目前,医生手动分割视网膜层仍然是占据主导地位的临床诊断手段,这不仅费时费力、主观性强,而且难以保证图像的分割精度和准确率。现有的计算机辅助分割则需要根据视网膜各层特点,分别进行层结构分割。虽然计算机辅助算法已经能够自动分割视网膜层,并且能够减少医生手动分割的时间和提高分割效率,但是目前主流的算法受图像质量的影响较大。当图像噪声较大、视网膜边界不明显时,分割结果将受到严重影响,从而导致视网膜分割精度不够高。同时临床视网膜疾病通常十分复杂,经常伴随多种疾病特征,但目前大多数方法仅针对某一层进行分割,很难适应复杂病症的分析,这使得视网膜分割问题仍然是一个具有很大挑战的科学问题。因此,本文提出了基于深度学习的OCT视网膜层结构分割方法,通过学习A扫描曲线匹配关系,得到分割结果或者偏移场。解决了传统方法中使用一种方法分割所有层的不足。论文研究的主要贡献包括以下几点:1、利用对两列或者多列A扫描卷积的处理,加强两列之间每一个像素点之间的联系,实现对图像的分割。通过匹配灰度值曲线获得曲线之间的偏移量从而得到分割结果。该方法能够通过模型将视网膜中所有层而不是某一层分割出来。2、利用FCN和U-Net卷积神经网络实现了A扫描之间的计算,能够在不需要人工参与的情况下分割对视网膜层进行分割。该模型不仅可以分割正常人的视网膜层,还可以分割病患的图像。3、计算两列A扫描之间相对应位置上的偏移组成的偏移场,通过偏移场的边界手动选择所需要的层,实现了OCT视网膜的分割。通过实验证明,基于曲线卷积的OCT视网膜A扫描曲线匹配学习模型是最接近于医生的分割结果。检测视网膜的层结构变化是很重要的诊断和治疗步骤,因此视网膜层结构中厚度的定量分析是很重要的。本文通过SPSS分析了正常人视网膜厚度与性别的关系,以及以色素上皮脱离疾病为例对比了正常人的各视网膜层及总厚度的差异。