柴家星，李 峰，席千千，肖泽华，严 磊，王宇光

（1.上海理工大学 光电信息与计算机工程学院，上海 200093；2.上海理工大学 机械工程学院，上海 200093）

0 引言

青光眼是一种退行性视神经病变，会导致患者视力和生活质量下降。依据世界卫生组织（WHO）相关报告，青光眼的致盲率仅次于白内障，至2020 年有近7 600 万人被确诊为青光眼，预计2040 年青光眼的患者将达到1.18 亿［1-2］。青光眼患者早期无症状表现，只有到了晚期才会有明显的视力下降，而且视力的损失是不可逆转的。因此，青光眼的早期筛查对于患者的及时治疗至关重要。通常，眼科医生根据患者彩色眼底照片对视神经头（Optic Nerve Hypo⁃plasia，ONH）区域进行评估以检测青光眼。ONH 评估的一个重要指标是杯盘比（Cup-to-Disc Ratio，CDR），大的杯盘比意味着更高的患病风险。然而，CDR 大多数是由医生人工测量和计算，不仅耗时、费力而且不同医生的测量结果也存在一定的主观性。眼底图像中OD/OC 的分割准确度在很大程度上会影响CDR 的计算。为此，基于眼底图像的OD 和OC 自动准确分割在青光眼的筛查和诊断中具有非常重要的意义。

近年来，许多研究人员对基于视网膜眼底图像的OD和OC 自动分割进行了研究，主要分割方法包括：统计形状模型［3-6］、多视图和多模态方法［7-9］及基于超像素的方法［10-13］等。然而，上述研究主要依靠手工提取OD 和OC 的特征，并需要用户的交互才能产生比较良好的分割结果。在实际的临床环境中，很难设计出好的手工特征，这降低了算法的分割性能。最近，深度学习技术已在图像分割上取得了良好性能，并取得了良好的分割效果。……