摘要目的 从眼底图像中分割视盘和视杯对于眼部疾病智能诊断来说是一项重要工作,U-Net及变体模型已经广泛应用在视杯盘分割任务中.由于连续的卷积与池化操作容易引起空间信息损失,导致视盘和视杯分割精度差且效率低.提出了融合残差上下文编码和路径增强的深度学习网络RCPA-Net,提升了分割结果的准确性与连续性.方法 采用限制对比度自适应直方图均衡方法处理输入图像,增强对比度并丰富图像信息.特征编码模块以ResNet34(residual neural network)为骨干网络,通过引入残差递归与注意力机制使模型更关注感兴趣区域,采用残差空洞卷积模块捕获更深层次的语义特征信息,使用路径增强模块在浅层特征中获得精确的定位信息来增强整个特征层次.本文还提出了一种新的多标签损失函数用于提高视盘视杯与背景区域的像素比例并生成最终的分割图.结果 在4个数据集上与多种分割方法进行比较,在ORIGA(online retinal fundus image database for glaucoma analysis)数据集中,本文方法对视盘分割的JC(Jaccard)指数为0.939 1,F-measure为0.968 6,视杯分割的JC和F-measure分别为0.794 8和0.885 5;在Drishti-GS1数据集中,视盘分割的JC和F-measure分别为0.951 3和0.975 0,视杯分割的 JC 和 F-measure分别为0.863 3 和0.926 6;在 Refuge(retinal fundus glaucoma challenge)数据集中,视盘分割的 JC 和 F-measure 分别为 0.929 8 和 0.963 6,视杯分割的 JC 和 F-measure 分别为 0.828 8 和 0.906 3;在 RIM-ONE(retinal image database for optic nerve evaluation)-R1 数据集中,视盘分割的 JC 和 F-measure 分别为 0.929 0 和 0.9628.在4个数据集上结果均优于对比算法,性能显著提升.此外,针对网络中提出的模块分别做了消融实验,验证了 RCPA-Net中各个模块的有效性.结论 实验结果表明,RCPA-Net提升了视盘和视杯分割精度,预测图像更接近真实标签结果,同时跨数据集测试结果证明了 RCPA-Net具有良好的泛化能力.