曾增峰，环宇翔，邹 卓，郑立荣

(复旦大学信息科学与工程学院微纳系统中心,上海 201203)

1 引言

由于眼底相机的成像能够清晰地显示眼底组织信息，并在眼底图像上较好地显示出病变，而广泛应用于眼科医学成像领域。从眼底图像中精确地分割出高度近视萎缩病变，是现代科学技术辅助诊断高度近视及手术规划的关键步骤。然而，可靠而精确地分割高度近视萎缩病变在眼底图像分割的研究中还存在以下问题：

(1)不同个体的眼底图像质量良莠不齐，萎缩病变形状、大小有很大差异；

(2)萎缩病变与相邻组织之间边界较为模糊，难以区分。

存在该问题的图像如图1所示[1]。针对上述问题，如何提升算法的分割精度是医学图像科研人员所面临的极具挑战性的任务[2]。为此，本文将提出一种基于灰度变换的眼底图像优化算法。

Figure 1 Fundus image display图1 眼底图像展示

目前，深度学习已经被广泛应用到解决计算机视觉和医学图像语义分割等领域的众多问题。Long等[3]提出了一个基于全卷积神经网络FCN(Fully Convolutional Network)的图像语义分割方法，该方法用1×1的卷积层代替全连接层，使得网络可以接受任意尺寸的输入图像，并通过反卷积使得经过多次卷积缩小的特征图能够恢复到原始图像尺寸大小，同时更好地保留图像空间信息。Ronneberger等[4]、Drozdzal等[5]和Çiçek等[6]对U-Net分割方法做了详细的描述和论证，并列举了各自方法的优缺点和原理差异。通过上述3个文献可以得出，现有U-Net结构所应用的方法都是使用2D卷积层和2D转置卷积层建立下采样层和上采样层组合的对称结构，可在下采样层和上采样层之间添加跳跃连接操作来提升分割精度，并能够在卷积层中添加2D注释断层图进行3D医学图像疾病分割。……