文献综述
随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。近几年来，深度学习特别是深度卷积神经网络已经迅速发展成为医学图像分析的研究热点，它能够从医学图像大数据中自动特区隐含的疾病诊断特征。与此同时，由于受到成像设备、成像原理不同、局部体效应等影响，医学图像不可避免地呈现出噪声和伪影，边缘和不均匀特点则。另外，图像在生成和传输过程中的不稳定因素会对图像的质量产生一定程度的影响,这些都给医生对疾病做诊断带来了一些困难。因此，通过对医学图像处理进行研究,提高医学图像的可读性，方便医学专家对病变组织区域进行更有效的观察和诊断将具有重要的应用价值和意义。
图像分割是对图像进行处理过程中的重要的一部分。图像分割是指按照灰度.颜色、纹理等特征对图像进行划分，使得划分到同一区域中的特征满足一定的相似性，划分到不同区域中的特征具有明显的差异性,将有特殊意义的特征区域分割出来，便于做进一步的图像分析处理。图像分割是一项很有研究意义的图像处理技术，一直以来都备受国内外研究者们关注，但是值得一提的是，由于不同领域的图像呈现特征不同，目前还没任何一种图像分割方法能适应于所有图像的分割。
光学相干断层成像(Optical Coherence Tomogaphy)，简称OCT，是一种新兴的生物组织成像技术，具有分辨率高，非侵入、无接触等特点，能够对包括人体组织器官在内的强散射介质进行深度成像。中心性浆液性脉络膜视网膜病变（CSC）是视网膜后极的特发性疾病，通常表现为浆液性视网膜脱离，并伴有视网膜色素上皮（RPE）的改变[1-3]。光谱域光学相干断层扫描(SD-OCT)利用了光学成像的最新进展，是诊断CSC的主要成像方式。最新SD-OCT设备可以无创地捕获视网膜层的高清晰度横截面轮廓和黄斑区域的病理变化，从而使放射科医生能够对CSC正确治疗进行详细的解剖学评估[4-5]。神经感觉性视网膜脱离（NRD）和色素上皮脱离（PED）是CSC的主要特征[6]，分别由视网膜上皮神经视网膜层和RPE的形态变化引起。因此，浆液性视网膜脱离相关液体的分割对于评估脉络膜视网膜损伤的严重性是重要的。
将深度学习理论与医学影像分析和计算机辅助诊断技术相结合，针对视网膜病变中的水肿区域存在的尺度变化大、弱边界、强噪声等问题，国内外学者在此方面开展了相关研究。
目前已经提出了几种自动或半自动方法来分割具有异常视网膜结构的液体填充区域。其中许多是2D方法，可根据2D OCT切片对异常视网膜进行分割。Fernaacute;ndez[7]应用了可变形模型通过手动初始化来勾画病变边界。Novosel等人[8]提出了一种自动的、局部自适应的方法来分割由CSC引起的视网膜下积液，利用了液体附近各层之间的局部衰减差异。各种空间约束已经被结合到分割模型中，从而可以利用连续OCT切片之间的空间一致性。通过标签传播和高阶约束，Wang等人[9]提出了一种交互式的，与流体相关的区域分割算法，用于连续的OCT B扫描。Wang等人[10]在基于模糊水平集的分割后，在不同轴的二维OCT切片中使用表决策略来消除糖尿病性黄斑水肿（DME）的假阳性。Farsiu等人[11]提出了一种基于梯度矢量流的可变形方法对视网膜OCT图像中的玻璃疣进行分割，该方法通过加强局部凸度条件和曲线拟合来估计正常的RPE层。
此外机器学习方法在异常视网膜的分割中显示出优异表现。从层分割开始[12-14]，到K最近邻[15]，随机森林[16]，核回归[17]和支持向量机[18]和具有视网膜层相关特征选择[19]，使用各种分类器检测视网膜充液区域。一些研究采用机器学习作为粗略分割步骤。Chen等人[20]采用训练样本的概率图作为种子，用图割搜索方法以分割症状性渗出液相关排列（SEAD）。Sun等人[21]提出了一个将AdaBoost分类和形状约束图切割相结合的浆液PED分割框架。
联合分割液体层和视网膜层具有潜在的价值，因为它可能允许在视网膜层的上下文中对液体进行临床相关的解释。Novosel等人[22]提出了一种通过使用松散耦合水平集框架将视网膜层和病变共同分割的方法，其中，病变被建模为由辅助界面描绘的附加空间变化层。Montuoro等人[23]提出了一种监督学习框架，以两种流体对视网膜层进行分割，利用不同视网膜结构之间的复杂相互作用来完善结果。Roy等人[24]提出了一种基于深度学习的端到端框架，称为ReLayNet，它将分层和病变分割问题转化为分类问题。Fang等人[25]还提出了使用深度神经网络在AMD的OCT图像中进行分层分割的方法。该方法利用卷积神经网络基于概率图获得粗略结果，然后使用图搜索法对结果进行细化。
2014年，Long等人[26]通过使用神经网络进行语义分割开展了一项突破性的工作。他们通过使用转置卷积将传统的分类网络修改为像素级分类网络。近年来，语义分割已经成为神经网络领域的流行研究方向。在语义分割网络中，接受域是一个重要的概念，因为正确的分割需要捕获图像中更广泛的局部上下文或全局信息。一些研究人员直接利用大型卷积核来扩大其网络的接收范围[26]，但这会增加计算和存储的成本。此外，许多研究人员将注意力集中在不规则卷积上，该卷积可以以较少的计算量获得更大的接收域。例如，在DeepLab模型[27,28]中，空洞空间卷积池化金字塔（ASPP）由不同速率的空洞卷积组成，以探索更大范围的接收域。另外， 和卷积的组合也可以获得较大的接收域。
与OCT图像分析有关的自动分析算法的研究得到了极大的发展。由于NRD流体和PED流体之间的结构相似，因此大多数算法只能根据病理结构在视网膜层中发生变化这一事实对NRD流体和PED流体进行分类。这意味着大多数方法都需要先分割视网膜层，然后再定位病变区域。即使如此，通过这些方法获得的结果与经验丰富的专家绘制的轮廓之间仍然存在差异。因此本课题将开展基于深度语义分割网络的相关研究，以多尺度深度网络模型为切入点，实现多种水肿病变精确分割的目的，希望为眼底疾病的计算机辅助诊断和未来推广眼底疾病早期筛查提供有力的技术支撑。
