医学影像的数字化分析是计算机技术在医学诊断中的一项重要应用。由于微血管的形态结构与眼底类疾病、心血管类疾病密切相关:高血压、动脉硬化等疾病的早期症状均会导致微血管网络产生物理性质的变化。因此,利用医学影像处理技术对微血管网络的整体结构、直径、弯曲度等相关参数进行精确测量与定量分析,能够为疾病的早期排查、判断疾病的病变程度提供重要的依据,医学影像处理技术在现代医学诊断中具有重要的意义。本文以视网膜影像中的微血管网络结构为研究对象,从特征增强、微血管分割、动静脉夹角测量等方面进行研究,利用Curvelet理论、深度学习算法、Hessian矩阵等方法,分别实现微血管的增强、分割、测量工作。论文的主要研究内容如下:(1)研究了离散Curvelet系数在图像中的分布情况,提出一种基于Curvelet理论的微血管增强算法:首先提取图像的绿色通道,利用CLAHE算法均衡绿色通道中的像素值;其次对均衡化的图像进行Curvelet系数分解,提出一种兼备软阈值函数连续性和硬阈值函数渐进性的非线性阈值函数,根据噪声频域系数与特征频域系数在Curvelet变换域中的不同分布特征,实现阈值去噪和特征增强操作;最后采用基于2D高斯核的滤波算法对增强图像作滤波处理,遵循高、低尺度系数的融合规则,分别融合高、低尺度上的Curvelet系数,进而获得更加直观的微血管网络结构。(2)研究了深度学习算法在医学影像分割任务中的应用,提出一种改进的U-net分割模型:首先对输入样本进行对比度调节和非重叠随机裁剪,扩大样本的量级,提升U-net模型的泛化能力;其次引入特定步长卷积和残差模块,分别对池化层和卷积层的结构作出改进,获得更好的特征提取效果,并加快网络收敛速度;最后替换原始网络中的交叉损失函数,使得网络更适合微血管分割任务。实验表明,改进后的U-net网络在图像清晰度、预防血管粘连、毛细血管分割方面效果明显。(3)综合上述获得的增强图像与分割结果,提出一种基于高斯函数模型的微血管测量算法:首先根据微血管横截面像素值的分布特征寻找血管中心点,利用Hessian矩阵优异的跟踪特性生成横截面方向上的测量轴;其次定义测量轴像素曲线的拐点为血管边界,根据拐点的坐标算出微血管管径的单位距离;最后建立数学模型,确定动静脉分叉角与管径的联系并进行测量。