视网膜眼底彩照中视盘和黄斑区域出现的病变,如青光眼、年龄相关性视网膜变性、糖尿病性视网膜病变等三大致盲眼疾,都会引起严重的视力损伤。视盘和黄斑作为眼底图像中的重要特征,在疾病区域定位、分割等眼底图像处理和分析中起着重要作用。在视网膜眼底彩照中,由于光照不均匀、对比度低以及病变等干扰因素的影响,视盘和黄斑的精确定位仍然是一项非常有挑战性的工作。为了实现视盘和黄斑的快速有效定位,本文分别研究了基于Prewitt算子-K均值聚类算法和基于改进的Faster R-CNN网络实现视盘和黄斑的定位,并对这两种方法的实验结果进行了比较分析。本文的主要工作如下:在采用传统定位方法研究中,本文采用了改进的Prewitt算子-K均值聚类算法实现视盘和黄斑的定位。首先对原始眼底彩照进行对比度自适应直方图均衡化、高斯滤波等预处理;其次,采用Prewitt梯度算子对图像进行水平和垂直两个方向扫描,并对感兴趣区域根据形态学信息进行限制,实现视盘的定位;再采用K均值聚类方法实现黄斑的初步定位;最后利用视盘与黄斑之间的距离信息,得到黄斑的精确定位。在采用深度学习定位方法研究中,提出了一种基于改进Faster R-CNN网络实现视盘和黄斑定位的方法。该方法主要包括四个模块:特征提取网络、区域建议网络(Region Proposal Network,RPN)、上下文网络和定位回归。其中的特征提取网络使用了残差网络,采用残差连接和批处理规范化,同时借鉴了 Inception-v3的多尺度结构,使网络更加深入。区域建议网络采用了级联的RPN结构,以细化RPN建议框的得分和位置,消除浅层细节对于建议框的影响。上下文网络使定位过程不仅考虑形态学特征,而且还考虑了相对位置信息,最后的定位回归模块则根据前面网络得到的候选框使用平滑L1距离回归损失函数,实现边框回归。在Kaggle网站的公开数据集上随机选取了 4140张图片,并随机选取3355张作为深度学习网络的训练集,剩余785张数据作为深度学习算法和传统算法共用测试集,来验证本文方法。传统算法在测试集上对视盘和黄斑的定位准确率分别为96.87%、84.32%,但深度学习算法对视盘和黄斑的定位准确率分别为99.49%、98.09%。实验结果表明,深度学习算法能够有效定位眼底视盘和黄斑的位置,具有潜在的临床应用价值。