糖尿病性视网膜病变是由糖尿病引起的一种眼底疾病,其主要是在视网膜血管发生病变。目前糖网病的诊断依靠眼科专家对视网膜图像的病理特征进行分析,然而患病人数庞大,人工筛查耗时较长,使得患者因错失绝佳的诊疗时机而病情恶化,以致对失明构成极大地威胁。伴随着深度学习在医疗领域的快速发展,利用深度学习方法结合计算机辅助诊断技术能够在一定程度上提高糖网病检测的时效性,缩短患者的诊断时间,这对于构建糖网病智能诊断系统具有广阔的临床应用前景。本文主要工作是针对不同检测任务而基于各种注意力模型的糖网病辅助诊断研究。基于普通的深度学习网络融合注意力模型,以实现糖网病分级、视网膜血管分割和糖网病病灶点检测等任务。通过在不同的标准数据集上进行实验,均证明了本文算法在面向眼底图像分析的可行性和优越性,为糖网病的辅助诊疗工作提供了有效参考。本文的主要研究工作包括以下几个方面:1、在糖网病分级任务中,由于普通卷积网络提取病灶特征的能力差,不足以满足糖网病分级任务的需求,本文设计一种基于通道域注意力模型的深度神经网络(Visual Geometry Group Network with Squeeze and Excitation Networks,SEVGG)进行糖网病的分级。在两种标准数据上进行实验,从医学图像评价指标的角度,对不同网络结构下的糖网病分级结果进行评估,验证了该算法的有效性;同时进行一系列通道域注意力模型增强效果的可视化实验,实验结果均证明本文算法的可行性及优越性。2、为有效解决视网膜血管分割效果较差的问题,改进一种基于卷积块的注意力增强模型(Convolutional Block Attention Module for U-net,CBAM-Unet)进行视网膜血管的分割任务。首先对眼底图像进行预处理以突显视网膜血管特征;然后进行网络模型的训练,利用训练好的模型进行视网膜血管的分割预测。通过在两种标准的眼底数据集上进行测试,均取得了比较好的实验效果,实现了视网膜血管的有效分割。3、由于现有病灶点检测算法分割效果不明显且检测步骤繁琐等局限性,难以满足实际应用需求,因此本文构建一种适用于糖网病病灶点检测的多尺度分割网络(Deep Multiscale Segmentation Network with Selective Kernel Networks for Diabetic Retinopathy,DMSSKN)以进行糖网病病灶点分割任务。通过具有选择性卷积核的注意力模型,提取不同尺度层面上的病灶特征信息,实现了对病灶点的有效分割,并提高了分割精度。