在眼底图像分析中,视盘分割对于糖尿病视网膜病变、青光眼等眼部疾病的计算机辅助诊断具有重要意义.然而,由于眼底图像数据集存在样本容量有限、数据正负样本不均衡及视盘边缘受血管遮挡严重等问题,这给视盘分割带来了极大挑战.针对以上问题,本文提出一种融合迁移学习和特征金字塔网络的视盘分割模型TriNet,通过迁移学习缓解数据集不足带来的影响;通过结合特征金字塔网络,利用多尺度特征图,提高对视盘的识别率;通过使用Focal Loss损失函数,动态改变正负样本权重,在正负样本失衡的情况下提高网络对稀少样本的识别.在Baidu Research Open-Access Dataset中的iChallenge-AMD项目的 眼底图像数据集上进行的仿真结果表明,视盘分割的IoU和DICE精度分别达到了93.48％和96.59％.
