视网膜眼底血管作为人体内在无创伤条件下,唯一可供观察的内部血管系统,一直受到研究人员的广泛关注。眼底图像包含了与疾病相关的丰富信息,人体很多重要的全身性系统疾病都会在眼底引起特定反应,因此眼底图像被广泛应用于医学辅助诊断领域。例如,大量的临床实验表明,糖尿病视网膜病变和视网膜动静脉的异常相关,此外,高血压以及一些胰腺疾病等会引起视网膜血管的异常。对视网膜血管进行定量和定性的分析,为诸多疾病,尤其是慢性病的预防、诊断、监测和管理起到非常重要的作用。因此,自动分析视网膜图像,以及精确分割视网膜血管和动静脉,对疾病的分析和诊断具有重要意义。由于视网膜血管图像结构复杂,依靠眼科医生等医务人员手动分析是一项耗时又昂贵的任务。因此,众多基于图像处理和深度学习的视网膜血管和动静脉分割方法被提出来,包括全自动和半自动方法,但大部分算法均存在着视网膜动静脉分割不连续问题,即血管段不相接或者同一类血管内含有不同类的血管,这一问题导致它们难以直接应用于临床数据。基于此,本文提出了拓扑结构损失对血管连续性进行约束。本文的主要内容如下:首先,本文对视网膜血管的研究背景、现状和意义进行简要阐述。其次,本文简要介绍视网膜血管和动静脉分割流程,图像处理的相关技术和卷积神经网络在视网膜图像上的应用;进一步地,针对微小血管难以分割的问题,提出了基于注意力机制的视网膜血管分割模型,在此基础上,针对视网膜动静脉分割不连续的问题,引入拓扑结构对其进行约束,同时,结合生成对抗网络和拓扑结构约束项,实现对视网膜动静脉的全自动分割;最后,将模型应用于基于视网膜图像的心血管风险因子预测这一现实场景,以期发现可用于预防和诊断疾病的临床标记。本文使用的数据包含广东省第一人民医院眼科中心收集的数据以及两个公开数据集DRIVE和STARE,通过与现有的方法进行分析比较,证明了本文提出的方法的鲁棒性、有效性和准确性。