糖尿病性视网膜病变是由糖尿病引发的眼底病变,目前已经被认为是导致20-79岁成年人不可逆转失明的主要原因。随着对糖尿病性视网膜病变研究的不断深入,研究人员在糖尿病性视网膜病变患者的OCT图像中发现一种20-40μm高反射信号强度的点状病灶,称为高反射点。临床研究已经证实随着糖尿病性视网膜病变病情加重,高反射点的数量也会显著增加。目前临床上已经将高反射点作为观察糖尿病性视网膜病变患者治疗及预后效果的重要生物标志物。因此,准确识别和分割OCT图像中的高反射点,并对高反射点进行定量分析,对辅助医生判断患者的治疗效果及预后情况具有重要的意义。基于深度学习和注意力机制,本文探索了适用于OCT图像高反射点分割的算法。本文的主要内容如下:（1）本文对目前已有的高反射点分割算法进行简单综述,讨论了目前限制高反射点分割算法发展的主要问题。目前没有关于高反射点分割的公开数据集,并且不同的文献对于高反射点的定义和标注略有出入,以上问题均使得算法与算法之间缺少比较,从而限制了高反射点分割算法的发展。（2）本文提出了一种基于改进的KiU-Net的高反射点分割算法。由于高反射点在OCT图像中病灶区域较小,单纯使用U-Net进行分割会丢失这种细小结构。KiU-Net包含Kite-Net分支和U-Net分支,其中Kite-Net分支利用上采样编码代替原本U-Net的下采样编码,使网络可以获取更多细节信息,改善U-Net对于细小结构分割不完善的问题,三层U-Net分支用以提取高级语义信息。此外,本文设计了一种交叉注意模块,将两个分支提取到的信息相结合,进一步提升单个分支网络训练中的特征表示。实验结果表明,与U-Net相比,该模型参数量大大减小,分割灵敏度有所提高,dice相似系数提高到66.42%。但是由于网络缺少丰富的高级语义信息,网络分割精确度有所下降。（3）为了解决改进的KiU-Net算法中精确度下降的问题,本文还提出了一种基于改进的Attention U-Net的高反射点分割算法。该网络以Attention U-Net为基础网络,改进了原本的注意门控模块,将U-Net各层提取到的特征相融合,利用融合后的多尺度特征共同引导注意力权重图的生成,并在网络的解码器一端加入空间和通道的混合注意模块,用以捕获特征图的空间和通道的相关性,从而关注特征图中与目标区域相关的位置和通道。实验结果表明,改进后的算法可以在不损失灵敏度的情况下,提高了精确度,dice相似系数达到71.76%,与其他网络相比,整体的分割效果有所提升,可以较为准确地分割高反射点。本文提出的算法均在齐鲁医院眼科提供的170张频域OCT的B-Scan切片数据集上进行训练和验证。根据实验结果进行比较分析,虽然其他算法在灵敏度或精确度上略有优势,但是无法平衡两者。综合考虑分割算法的灵敏度和精确度以及对高反射点查全率与查准率,改进的KiU-Net高反射点分割算法和改进的Attention U-Net高反射点分割算法均优于目前二维OCT图像高反射点分割算法及一些先进的医学图像分割算法。