张利云，方智文，唐宇姣，杨 丰

南方医科大学生物医学工程学院//广东省医学图像处理重点实验室，广东 广州510515

糖尿病性视网膜病变（DR）是糖尿病的主要慢性并发症之一，可导致双眼不可逆性失明［1］。在DR的早期阶段，很容易忽略患者视力障碍的症状，如果在此阶段及时进行诊断和治疗，则能够预防90%由DR导致的失明［2］。硬性渗出物（EX）是最常见的DR病理体征之一［3］，是视网膜毛细血管渗漏物逐渐吸收以后遗留的脂质，呈大小不一的蜡黄色点片状。EX出现在视网膜中央及中心凹处时可对视力产生严重影响［4］。因此，精确地分割EX在DR早期诊断和监测治疗进展中具有重要的意义，也是本文研究的重点。

由于视盘与EX具有相似性，一些EX病灶难以被准确分割，视盘附近与EX亮度、颜色相近的组织结构也易被误判为EX病灶。使用传统方法［5-15］进行EX分割，噪声敏感性较高，且依赖于手动设计并提取复杂的特征，无法在临床中进行大规模的推广应用。深度学习方法能够自动提取图像更加抽象、深层的特征［16,17］，近年来在EX自动分割领域也有所应用［18-22］。这些方法［18-22］虽然通过深度神经网络提取眼底图像特征，但未进行视盘去除，难以精确分割EX。考虑到视盘在EX分割过程中带来的影响，Yu等［23］在预处理过程中手动去除了视盘和血管，随后使用CNN进行训练以分割EX。这种人工手动定位和分割视盘的方法虽然准确度较高，但是步骤太过繁琐，不利于实现病灶快速自动化分割。因此，有学者提出使用深度学习网络自动分割视盘的方法，采用两个并行网络，分别进行EX和视盘分割，并使用视盘的分割预测图改善EX分割结果，但该方法未实现网络端到端分割［24］。……