图像分割技术一直是医学图像处理与分析领域的研究热点与难点。眼底图像中糖尿病视网膜病变(简称“糖网”)早期病灶的分割属于弱信号提取,由于眼底图像具有特征复杂的特点以及糖网病灶特征具有的多样性等原因使得对眼底图像中糖网早期病灶的分割更加具有挑战性。本文以眼底图像为研究对象,在对眼底成像方式、眼底各解剖结构相关特征、相关病灶病理知识作了深入研究的基础上,结合临床实际需求,从理论、算法、实现三个方面,研究医学图像分割技术在糖网自动筛查中的应用问题,主要研究内容如下:1、研究眼底主要解剖结构的光谱特征,并利用它们的光谱特征分析结果为不同分割目标选择合适通道提供客观、正确的选择依据,从而为后续的分割任务打下良好基础。2、研究眼底图像中早期糖网病灶——硬性渗出的分割方法。首先,为去除视盘这个存在于眼底图像中的相对于硬性渗出的假阳,根据视网膜主血管方向及其收敛于视盘这一特性,提出基于视网膜主血管方向的视盘定位及提取方法;在此基础上,针对硬性渗出边缘清晰、亮度较高、与背景具有较为明显对比度的特点,提出两种硬性渗出分割方法:基于数学形态学的硬性渗出分割方法、基于阈值分割及模式分类器的硬性渗出自动检测方法。3、研究眼底图像中糖网白色病灶(硬性渗出、棉绒斑)的分割方法。为获取糖网白色病灶候选区域,提出了一种改进的FCM算法即IFCM算法。该算法利用K-Means算法对FCM算法的聚类中心进行初始化,从而减少迭代次数,提高聚类速度;并将中值滤波添加到FCM算法的准则函数中,通过将对噪声的抑制直接内置于模糊隶属度矩阵以及聚类中心的迭代更新过程中,有效提高模糊隶属度矩阵以及聚类中心的准确性,从而有效增强算法的抗噪性。在此基础上,将该算法与SVM分类器相结合,提出基于IFCM及SVM的糖网白色病灶自动检测方法。对于其中SVM分类器选用两层级联分类结构,可满足医生不同询诊需求,使得该方法更加贴近临床需求。4、研究眼底图像中早期糖网病灶——视网膜内出血的分割方法。在深入研究两种传统图像处理算法——模板匹配法与区域生长法的原理与优缺点的基础上,提出一种适用于提取图像中多个形状固定抑或不固定的同类目标的分割算法:基于多模板匹配的局部自适应区域生长法。该算法首先利用卷积运算提高NCC模板匹配法的计算效率,在此基础上充分利用NCC模板匹配能够准确定位出目标在待处理图像中的位置这一优势,利用其为区域生长法提供“优质”种子点,这一方案从根本上解决了影响区域生长法分割结果的种子点选取问题;此外,充分考虑目标的空间位置以及形态特性,将各个目标的生长范围按其特性限制在一定的区域内,并将自适应参数添加到生长准则中,提高了各个目标区域生长的准确性和效率,从而实现图像中多个目标的正确、高效提取。将该算法应用于眼底图像中视网膜内出血的自动分割,不仅准确、稳定,且效率也较高。5、研究眼底图像中早期糖网病灶——微动脉瘤的分割方法。在深入研究微动脉瘤病理特征的基础上,将微动脉瘤在眼底图像G通道中的形态特征(区域内部具有连续灰度值但其外部边缘像素的灰度值严格更高的孤立区域,且区域直径小于125μm)与数学形态学中的扩展极小值所表征的图像特征相结合,在已实现眼底图像中硬性渗出自动检测的基础上,提出一种适用于提取眼底图像中微动脉瘤的分割方法。由于紧密结合微动脉瘤的形态特征,因此,该方法具有良好的稳定性且具有较高的精度及效率。在上述研究成果的基础上,构建基于免散瞳眼底图像的糖网自动筛查系统,并利用从临床收集的图像数据集对该系统进行测试,得到对样本个体的检测结果为灵敏度96.46%,特异性96.07%。测试结果表明,所构建的基于免散瞳眼底图像的糖网自动筛查系统满足英国糖尿病协会提出的糖网自动筛查标准(最低灵敏度80%,最低特异性95%)。