深度学习方法在眼科疾病诊断中的应用达到了前所未有的高度和规模，为实现眼科疾病智能化分析奠定了良好的基础。其中，多种眼底影像的形态学分割和模态合成是眼底影像智能化分析中最热门的研究方向，而常见的模态包括眼底彩照、光学相干断层扫描 （Optical Coherence Tomography, OCT）以及眼底血管荧光造影（Fluorescein Fundus Angiography，FFA）。目前研究中，基于深度学习的眼底影像分割与合成方法已经取得很好的性能，但依然面临着细血管分割困难、组织层拓扑顺序缺失、合成影像中血管或病灶丢失等问题。这些问题极大限制了深度学习方法在眼底影像智能化分析中的发展与临床应用。因此，为克服上述眼底影像分割和合成中的问题，本文基于眼底彩照和 OCT 对视网膜血管和组织层的全自动分割方法进行研究，同时对 FFA 图像的跨模态合成进行研究。本文主要的内容和创新点如下：

1、用于眼底彩照血管分割的双编码 U-Net 网络

针对先前血管分割方法中忽略空间信息，而导致细血管的分割性能下降的问题，本文提出了用于眼底彩照血管分割的双编码 U-Net 网络模型。该模型具有语义和空间两个通道。其中，多尺度卷积的语义通道能够捕获更多的感受野，具有大卷积核的空间通道能够保留更多空间信息。其次，该模型加入了特征融合模块和注意力跳层模块，用于合并与增强语义和空间通道提取的特征。最后，该模型设计了边界自适应的结构项损失，通过自适应地对细血管和血管边界赋予较大的交叉熵损失空间权重，使得模型在训练时更加关注细血管和血管边界，克服了其分割精度不高的难题。研究结果显示，本文提出的双编码 U-Net 网络模型对视网膜眼底彩照中血管的分割精度高达 95.65%。

2、用于 OCT 组织层分割的边缘感知 U-Net 网络

针对先前 OCT 组织层分割方法都将其视为像素级分割、忽略组织层拓扑顺序，而导致分割精度差的问题，本文视其为边界检测任务并提出了用于 OCT 组织层分割的边缘感知 U-Net 网络框架。该框架具有双任务结构：低层输出用于边界检测，高层输出用于语义分割。其次，该框架增加了边缘感知模块和 U 型特征增强模块分别用于提取纯边缘特征和增加感受野。再者，该框架引入了 Canny 边缘融合模块，将由分割任务获取的边缘信息融合到边界检测任务以达到高精度的边界预测。最后，为保证边界的拓扑解剖顺序，该框架将每个组织层边界建模为竖直坐标分布，同时，基于该分布提出了拓扑保证损失以得到准确的拓扑边界集。研究结果显示，本文提出的边缘感知 U-Net 网络模型在 OCT 组织层分割任务上取得 91.5% 的平均体积重叠率。

3、面向 FFA 跨模态合成的局部自监督 CycleGAN 网络

针对先前眼底彩照到 FFA 合成方法中忽略不同模态局部结构差异大和存在几何失真等问题，本文提出了面向 FFA 跨模态合成的局部自监督 CycleGAN 模型。该模型基于非成对图像翻译 CycleGAN 网络框架，使用局部自监督损失提高 FFA 的合成细节。该损失鼓励输入和生成图片在相同位置局部表征接近，不同位置的局部表征疏远，从而以自监督的方式使得输入和生成的图片在局部细节内容上具有更好的一致性。实验结果表明，同 CycleGAN 相比，局部自监督 CycleGAN 合成的 FFA 在细血管和病灶区域生成上有明显的提升。