CN103514605B - 基于hd-oct视网膜图像的脉络膜层自动分割方法 - Google Patents
基于hd-oct视网膜图像的脉络膜层自动分割方法 Download PDFInfo
- Publication number
- CN103514605B CN103514605B CN201310473464.XA CN201310473464A CN103514605B CN 103514605 B CN103514605 B CN 103514605B CN 201310473464 A CN201310473464 A CN 201310473464A CN 103514605 B CN103514605 B CN 103514605B
- Authority
- CN
- China
- Prior art keywords
- layer
- csi
- image
- point
- choroid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种基于高分辨率频域光学相干断层(HD-OCT)图像的脉络膜层自动分割方法,属于图像处理技术领域。该方法首先对输入的HD-OCT图像进行去噪预处理,并通过定位内界膜去除视网膜神经纤维层附近的高反射率区域,然后根据高反射率信息定位视网膜色素上皮层的下边界,即脉络膜层的上边界,最后利用图搜索方法将利用脉络膜下边界的图像特性得到的候选CSI边界点相连,就得到脉络膜的CSI边界。实验结果表明,本发明中所得到的脉络膜层分割精度较高,与手动分割结果相当,可以代替临床医生手动测量脉络膜层厚度的繁琐耗时工作,对提高医生的工作效率具有重要意义。
Description
技术领域
本发明涉及一种图像分割处理的方法,特别是一种基于高分辨率频域光学相干断层(HD-OCT)视网膜图像的脉络膜层自动分割方法。
背景技术
HD-OCT视网膜图像是一种高分辨率的频域光学相干断层成像图像,它可以有效地呈现脉络膜层的脉络膜巩膜界面(CSI),临床实验表明HD-OCT图像与增强深度成像光学相干断层成像(EDI-OCT)图像都能够用于测量脉络膜层的厚度。传统的视网膜层分割方法不适用于脉络膜层的分割,因为脉络膜层的CSI边界在图像上表现较弱、且由于血管的影响存在边界断裂的现象。最近两年主要出现了如下三种脉络膜层分割方法:
(1)基于纹理和形状信息的两阶段统计模型。该方法是针对1060nmOCT系统的分割方法,且需要大量的训练样本。
(2)基于梯度和图论的分割方法。该方法是针对EDI-OCT图像的,在EDI-OCT图像中,由于成像焦距靠近脉络膜层,所以视网膜色素上皮层(RPE)的反射率相对来说是最高的,不存在视网膜神经纤维层(RNFL)的干扰问题,因此通过反射率就可以容易地得到RPE层。该方法中CSI候选点是通过寻找局部灰度谷底得到的,脉络膜层中的血管影响会导致很多错误的CSI候选点,这对后续的图论分割造成了一定的困难。
(3)基于图论的多阶段分割方法。该方法是一种半自动的分割方法,分割的对象是一般的频域光学相干断层成像(SD-OCT)图像。
现有的脉络膜层分割方法不适用于HD-OCT图像,因为不同的成像图像具有不同的成像特性,如EDI-OCT图像中RNFL层的反射率明显低于RPE层,而HD-OCT图像中两者的反射率相当。
发明内容
本发明的目的在于提供一种基于HD-OCT视网膜图像的自动脉络膜层分割方法。
实现本发明的目的的技术解决方案为:一种基于HD-OCT视网膜图像的自动脉络膜层分割方法,包括以下步骤:
步骤1、采集HD-OCT视网膜图像;
步骤2、采用改进的双边滤波算法对输入图像进行去噪处理;具体是将传统的双边滤波的各项同性高斯邻域窗口改为各项异性的高斯邻域窗口,其中,传统的双边滤波算法的公式为:
式中f和h分别为输入和输出图像,函数c(ξ,x)用于测量邻域中心点x和邻域点ξ之间的空间距离,函数s用于测量两点间的灰度相似性,函数c和函数s都是高斯函数, 是归一化函数。
步骤3、根据玻璃体和视网膜的反射率差异定位内界膜(ILM)层;具体为:通过阈值得到玻璃体区域,然后寻找玻璃体的最下方边界点从而得到ILM层,所述阈值为41。
步骤4、去除与ILM层相近的高反射率RNFL层;具体为:
步骤4-1、生成模板图像M,其中ILM层像素置为1,其余像素置为0;
步骤4-2、用数学形态学对模板图像进行膨胀,所用公式为:
Ms=M⊕S
式中‘⊕’表示膨胀算子,S为半径30个像素的圆盘形结构元;
步骤4-3、将与Ms目标区域相连的高反射率RNFL层进行去除。
步骤5、利用高反射率和视网膜的结构特性估计RPE层;具体步骤为:
步骤5-1、将RNFL层以外的高反射率区域置为候选RPE层区域;
步骤5-2、根据RPE层的厚度约束去除厚度大于20个像素的虚假RPE区域;
步骤5-3、将每列的候选RPE区域的中心点作为RPE层的中轴点,然后采用四阶多项式拟合得到RPE层的中轴线。
步骤6、在RPE层的下边界附近根据垂直梯度算法得到候选的布鲁赫膜(BM)边界点,然后采用四阶多项式拟合得到最终的BM;RPE层的下边界附近为RPE层中轴线下方的20个像素窄带区域内;候选的BM边界点的选取方法为:
将每列中在此窄带区域内的最大垂直梯度点作为候选的BM边界点,然后采用四阶多项式拟合得到最终的BM。
步骤7、基于步骤6得到的BM拉平输入图像,然后将CSI分割限定在BM下方的200个像素厚的窄带区域;
步骤8、根据CSI下方像素的反射率渐变特性得到CSI的候选边界点;具体步骤为:
步骤8-1、生成灰度渐变距离图像D
式中(x,y)表示图像像素坐标, 表示垂直方向的灰度差,I为平滑后的拉平脉络膜区域图像,‘*’表示卷积算子;
步骤8-2、通过灰度渐变距离图像D生成灰度渐变距离图像的垂直差图像Dx
步骤8-3、将每列垂直差图像Dx中的最大值位置作为CSI边界的候选点。
步骤9、通过图搜索在候选CSI边界点中寻找初步的CSI边界,然后采用四阶多项式拟合得到最终的CSI。具体步骤为:
步骤9-1、构造图G=(V,E),其中候选CSI边界点作为图G中的顶点V,每个顶点与后续的k列顶点相连,E为图G中边的集合,图中任意两个顶点a和b之间的边权重通过下式计算:
式中Δx和Δy分别为两顶点的水平和垂直距离,H(·)为Heaviside函数,惩罚因子wM为2000,Tp为阈值5,当Δy≥Tp时,边将被赋予额外的很大的惩罚权重,参数α控制惩罚权重的提升速率,α的取值为2;
步骤9-2、采用Dijkstra算法搜素图G的最短路径,作为初始的CSI边界;
步骤9-3、采用四阶多项式拟合初始的CSI边界得到最终的CSI。
本发明与现有技术相比,其显著优点为:(1)本发明首次给出了一种基于HD-OCT图像的自动脉络膜层分割方法,该方法能够鲁棒精确地分割脉络膜层的上下边界;(2)本发明充分利用了脉络膜层下边界的灰度渐变特性,较传统的基于灰度和梯度的方法具有更好的鲁棒性和定位精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明基于HD-OCT视网膜图像的脉络膜层自动分割方法的流程图。
图2是去除与ILM层相近的高反射率RNFL层的流程图。
图3是RPE层中轴线估计的流程图。
图4是CSI候选边界点生成的流程图。
图5是CSI最终边界点生成的流程图。
图6是HD-OCT视网膜图像内部组织示意图。
图7是BM分割及拉平结果图。
图8是BM下方的脉络膜窄带区域图。
图9是灰度渐变距离图像。
图10是灰度渐变距离垂直差图像。
图11是候选CSI边界点示意图。
图12是图搜索结果示意图。
图13是最终的CSI分割结果示意图。
具体实施方式
结合图1,本发明的基于HD-OCT视网膜图像的自动脉络膜层分割方法包括以下步骤:
步骤1、采集HD-OCT视网膜图像,采用现有的OCT成像设备对视网膜图像进行采集;
步骤2、采用改进的双边滤波对输入图像进行去噪处理。具体是将传统的双边滤波的各项同性高斯邻域窗口改为各项异性的高斯邻域窗口,其中,传统的双边滤波算法的公式为:
式中f和h分别为输入和输出图像,函数c(ξ,x)用于测量邻域中心点x和邻域点ξ之间的空间距离,函数s用于测量两点间的灰度相似性,函数c和函数s都是高斯函数, 是归一化函数。
步骤3、根据玻璃体和视网膜的反射率差异定位ILM层。通过阈值得到玻璃体区域,然后寻找玻璃体的最下方边界点从而得到ILM层,所述阈值为41。
步骤4、去除与ILM层相近的高反射率RNFL层。结合图2,具体为:
步骤4-1、生成模板图像M,其中ILM层像素置为1,其余像素置为0;
步骤4-2、用数学形态学对模板图像进行膨胀,所用公式为:
Ms=M⊕S
式中‘⊕’表示膨胀算子,S为半径30个像素的圆盘形结构元;
步骤4-3、将与Ms目标区域相连的高反射率RNFL层进行去除。
步骤5、利用高反射率和视网膜的结构特性估计RPE层。结合图3,具体为:
步骤5-1、将RNFL层以外的高反射率区域置为候选RPE层区域;
步骤5-2、根据RPE层的厚度约束去除厚度大于20个像素的虚假RPE区域;
步骤5-3、将每列的候选RPE区域的中心点作为RPE层的中轴点,然后采用四阶多项式拟合得到RPE层的中轴线。
步骤6、在RPE层的下边界附近根据垂直梯度算法得到候选的BM边界点,然后采用四阶多项式拟合得到最终的BM;RPE层的下边界附近为在RPE层中轴线下方的20个像素窄带区域内,候选的BM边界点的选取方法为:
将每列中在此窄带区域内的最大垂直梯度点作为候选的BM边界点,然后采用四阶多项式拟合得到最终的BM;
步骤7、基于分割得到的BM拉平输入图像,然后将CSI分割限定在BM下方的200个像素厚的窄带区域;
步骤8、根据CSI下方像素的反射率渐变特性得到CSI的候选边界点。结合图4,具体为:
步骤8-1、生成灰度渐变距离图像D
式中(x,y)表示图像像素坐标, 表示垂直方向的灰度差,I为平滑后的拉平脉络膜区域图像,‘*’表示卷积算子;
步骤8-2、通过灰度渐变距离图像D生成灰度渐变距离图像的垂直差图像Dx
步骤8-3、将每列垂直差图像Dx中的最大值位置作为CSI边界的候选点。
步骤9、通过图搜索在候选CSI边界点中寻找初步的CSI边界,然后采用四阶多项式拟合得到最终的CSI。结合图5,具体为:
步骤9-1、构造图G=(V,E),其中候选CSI边界点作为图G中的顶点V,每个顶点与后续的k列顶点相连,E为图G中边的集合,图中任意两个顶点a和b之间的边权重通过下式计算:
式中Δx和Δy分别为两顶点的水平和垂直距离,H(·)为Heaviside函数,惩罚因子wM为2000,Tp为阈值5,当Δy≥Tp时,边将被赋予额外的很大的惩罚权重,参数α控制惩罚权重的提升速率,α的取值为2;
步骤9-2、采用Dijkstra算法搜素图G的最短路径,作为初始的CSI边界;
步骤9-3、采用四阶多项式拟合初始的CSI边界得到最终的CSI。
下面结合实施例对本发明做进一步详细的说明:
本系统发明以HD-OCT视网膜图像作为输入,采用图像处理手段对输入图像中的脉络膜层进行自动分割。
本实施例的流程如图1所示,通过OCT成像设备采集到的HD-OCT视网膜图像大小为1024×1024,图6给出了一幅HD-OCT视网膜图像的感兴趣区域,图中标注了视网膜的几个主要相关组织结构,如脉络膜的上下边界,BM和CSI。为了便于后续的处理,首先对输入图像进行去噪处理,然后根据玻璃体和视网膜的反射率差异定位ILM层,即通过阈值区分玻璃体和视网膜区域,对于固定的成像设备,玻璃体和视网膜区域的反射率特性基本上是固定的,所以本发明将阈值取为41。由于ILM即为RNFL层的上边界,所以与ILM相连的高反射率区域基本上都是RNFL层,通过去除RNFL层的干扰,通过RPE层的高反射率特性就可以粗略地得到RPE层。最后通过四阶多项式拟合RPE层的中轴线,最后在RPE层中轴线下方的20个像素窄带区域内,将每列中在此窄带区域内的最大垂直梯度点作为候选的BM边界点,然后采用四阶多项式拟合得到最终的BM。利用BM可以得到拉平后的图像,图7给出了与图6对应的拉平图像,其中的白色线为BM。
图8为与图7相对应的BM下方窄带区域图像,从中可以看出,脉络膜层的CSI下方的灰度呈逐渐减小趋势,因此本发明采用公式 生成灰度渐变距离图像,如图9所示,图中灰度值越高,表示灰度渐变距离越大。每列灰度渐变距离最大的点基本上位于CSI上。
由于每列灰度渐变距离最大的点的上方点为黑色(即灰度渐变距离为0),所以通过公式 得到灰度渐变距离图像的垂直差图像,如图10所示。将每列垂直差图像(图10)中的最大值位置作为CSI边界的候选点,如图11中的黑色圆圈所示。
通过图搜索在候选CSI边界候选点中就可以得到初步的CSI边界,如图12中的白色曲线所示。本发明中权重构造公式 中的Tp取为5,α为2,wM为2000。为了进一步使CSI边界更光滑,采用四阶多项式拟合图搜索得到最终的CSI,如图13中的黑色曲线所示,从图13可知:本发明得到的CSI满足临床医生的判断依据,即CSI下方的灰度一致,且CSI边界光滑连续。
Claims (7)
1.一种基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,包括以下步骤:
步骤1、采集HD-OCT视网膜图像;
步骤2、采用改进的双边滤波算法对输入图像进行去噪处理;
步骤3、根据玻璃体和视网膜的反射率差异定位ILM层;
步骤4、去除与ILM层相近的高反射率RNFL层;
步骤5、利用高反射率和视网膜的结构特性估计RPE层;
步骤6、在RPE层的下边界附近根据垂直梯度算法得到候选的BM边界点,然后采用四阶多项式拟合得到最终的BM;
步骤7、基于步骤6得到的BM拉平输入图像,然后将CSI分割限定在BM下方的200个像素厚的窄带区域;
步骤8、根据CSI下方像素的反射率渐变特性得到CSI的候选边界点;具体步骤为:
步骤8-1、生成灰度渐变距离图像D
式中(x,y)表示图像像素坐标, 表示垂直方向的灰度差,I为平滑后的拉平脉络膜区域图像,‘*’表示卷积算子;
步骤8-2、通过灰度渐变距离图像D生成灰度渐变距离图像的垂直差图像Dx
步骤8-3、将每列垂直差图像Dx中的最大值位置作为CSI边界的候选点;
步骤9、通过图搜索在候选CSI边界点中寻找初步的CSI边界,然后采用四阶多项式拟合得到最终的CSI。
2.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤2采用改进的双边滤波算法对输入图像进行去噪处理具体是将传统的双边滤波的各项同性高斯邻域窗口改为各项异性的高斯邻域窗口,其中,传统的双边滤波算法的公式为:
式中f和h分别为输入和输出图像,函数c(ξ,x)用于测量邻域中心点x和邻域点ξ之间的空间距离,函数s用于测量两点间的灰度相似性,函数c和函数s都是高斯函数, 是归一化函数。
3.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤3中根据玻璃体和视网膜的反射率差异定位ILM层具体为:
通过阈值得到玻璃体区域,然后寻找玻璃体的最下方边界点从而得到ILM层,所述阈值为41。
4.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤4去除与ILM层相近的高反射率RNFL层,具体为:
步骤4-1、生成模板图像M,其中ILM层像素置为1,其余像素置为0;
步骤4-2、用数学形态学对模板图像进行膨胀,所用公式为:
Ms=M⊕S
式中‘⊕’表示膨胀算子,S为半径30个像素的圆盘形结构元;
步骤4-3、将与Ms目标区域相连的高反射率RNFL层进行去除。
5.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤5利用高反射率和视网膜的结构特性估计RPE层的具体步骤为:
步骤5-1、将RNFL层以外的高反射率区域置为候选RPE层区域;
步骤5-2、根据RPE层的厚度约束去除厚度大于20个像素的虚假RPE区域;
步骤5-3、将每列的候选RPE区域的中心点作为RPE层的中轴点,然后采用四阶多项式拟合得到RPE层的中轴线。
6.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤6中RPE层的下边界附近为RPE层中轴线下方的20个像素窄带区域内;候选的BM边界点的选取方法为:
将每列中在此窄带区域内的最大垂直梯度点作为候选的BM边界点,然后采用四阶多项式拟合得到最终的BM。
7.根据权利要求1所述的基于HD-OCT视网膜图像的脉络膜层自动分割方法,其特征在于,步骤9采用图搜索和多项式拟合得到最终CSI的具体步骤为:
步骤9-1、构造图G=(V,E),其中候选CSI边界点作为图G中的顶点V,每个顶点与后续的k列顶点相连,E为图G中边的集合,图中任意两个顶点a和b之间的边权重通过下式计算:
式中△x和△y分别为两顶点的水平和垂直距离,H(·)为Heaviside函数,惩罚因子wM为2000,Tp为阈值5,当△y≥Tp时,边将被赋予额外的很大的惩罚权重,参数α控制惩罚权重的提升速率,α的取值为2;
步骤9-2、采用Dijkstra算法搜素图G的最短路径,作为初始的CSI边界;
步骤9-3、采用四阶多项式拟合初始的CSI边界得到最终的CSI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310473464.XA CN103514605B (zh) | 2013-10-11 | 2013-10-11 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310473464.XA CN103514605B (zh) | 2013-10-11 | 2013-10-11 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103514605A CN103514605A (zh) | 2014-01-15 |
CN103514605B true CN103514605B (zh) | 2016-01-20 |
Family
ID=49897282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310473464.XA Expired - Fee Related CN103514605B (zh) | 2013-10-11 | 2013-10-11 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103514605B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810709B (zh) * | 2014-02-25 | 2016-08-17 | 南京理工大学 | 基于血管的眼底图像与sd-oct投影图像配准方法 |
CN103854284B (zh) * | 2014-02-26 | 2016-08-31 | 苏州大学 | 基于三维图搜索浆液性色素上皮层脱离的视网膜分割方法 |
CN104050672B (zh) * | 2014-06-26 | 2016-09-21 | 南京理工大学 | 基于sd-oct视网膜图像的地图状萎缩投影图像生成方法 |
US9392936B1 (en) * | 2015-02-16 | 2016-07-19 | Novartis Ag | Systems and methods for dual vitreous and retina imaging |
CN104851103B (zh) * | 2015-05-29 | 2018-01-19 | 西安交通大学医学院第一附属医院 | 基于sd‑oct视网膜图像的脉络膜血管抽取方法 |
CN106485721B (zh) * | 2015-08-31 | 2019-11-05 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
CN106408558B (zh) * | 2016-09-05 | 2019-01-04 | 南京理工大学 | 糖尿病性视网膜病变图像中硬性渗出与高反射信号的分析方法 |
CN106558030B (zh) * | 2016-11-15 | 2020-04-03 | 苏州大学 | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 |
CN106600614B (zh) * | 2016-12-19 | 2019-10-18 | 南京理工大学 | 基于凹凸性的sd-oct视网膜图像cnv分割方法 |
CN107392909B (zh) * | 2017-06-22 | 2020-11-06 | 苏州大学 | 基于神经网络与约束图搜索算法的oct图像层分割方法 |
CN107644424B (zh) * | 2017-10-09 | 2020-10-13 | 南京医科大学第一附属医院 | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 |
CN108416793B (zh) * | 2018-01-16 | 2022-06-21 | 武汉诺影云科技有限公司 | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 |
US11302006B2 (en) | 2018-02-21 | 2022-04-12 | Topcon Corporation | 3D quantitative analysis with deep learning |
US10878574B2 (en) | 2018-02-21 | 2020-12-29 | Topcon Corporation | 3D quantitative analysis of retinal layers with deep learning |
CN108765388B (zh) * | 2018-05-17 | 2020-10-27 | 苏州大学 | 食道内窥oct图像层次结构的自动分割方法和系统 |
CN108830856B (zh) * | 2018-05-25 | 2021-09-10 | 南京理工大学 | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 |
CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
CN109389568B (zh) * | 2018-10-25 | 2022-04-01 | 中国科学院上海光学精密机械研究所 | 自动测量皮肤光学相干层析图像中表皮厚度的方法 |
CN109859214B (zh) * | 2019-01-29 | 2021-02-23 | 山东师范大学 | 一种带有csc病变的视网膜层自动分割方法及装置 |
CN111369510B (zh) * | 2020-02-28 | 2022-07-01 | 四川大学华西医院 | 一种自动估计脉络膜厚度的方法 |
CN112734787B (zh) * | 2020-12-31 | 2022-07-15 | 山东大学 | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 |
CN113887509B (zh) * | 2021-10-25 | 2022-06-03 | 济南大学 | 一种基于图像集合的快速多模态视频人脸识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070286462A1 (en) * | 2006-04-28 | 2007-12-13 | David Usher | System and method for biometric retinal identification |
CN101667289B (zh) * | 2008-11-19 | 2011-08-24 | 西安电子科技大学 | 基于nsct特征提取和监督分类的视网膜图像分割方法 |
CN101685533B (zh) * | 2009-08-18 | 2012-05-30 | 清华大学深圳研究生院 | 眼底oct图像的视神经纤维层自动分割方法 |
US8526736B2 (en) * | 2010-10-29 | 2013-09-03 | JVC Kenwood Corporation | Image processing apparatus for correcting luminance and method thereof |
CN103198321B (zh) * | 2013-03-27 | 2016-06-15 | 中国科学院苏州生物医学工程技术研究所 | 视网膜图像处理方法及装置 |
-
2013
- 2013-10-11 CN CN201310473464.XA patent/CN103514605B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN103514605A (zh) | 2014-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514605B (zh) | 基于hd-oct视网膜图像的脉络膜层自动分割方法 | |
WO2021047684A1 (zh) | 基于主动轮廓和深度学习的模糊边界图像自动分割方法 | |
CN104463159B (zh) | 一种定位虹膜的图像处理方法和装置 | |
Ho et al. | An atomatic fundus image analysis system for clinical diagnosis of glaucoma | |
US10134143B2 (en) | Method for acquiring retina structure from optical coherence tomographic image and system thereof | |
US10878574B2 (en) | 3D quantitative analysis of retinal layers with deep learning | |
Zhang et al. | Automated segmentation of intraretinal cystoid macular edema for retinal 3D OCT images with macular hole | |
CN108836257B (zh) | 一种眼底oct图像中视网膜分层方法 | |
CN109272507B (zh) | 基于结构随机森林模型的相干光断层图像的层分割方法 | |
CN107578413B (zh) | 视网膜图像分层的方法、装置、设备及可读存储介质 | |
CN107590512B (zh) | 一种模板匹配中参数的自适应方法和系统 | |
CN101699511A (zh) | 彩色图像分割方法及系统 | |
CN104794721A (zh) | 一种基于多尺度斑点检测的快速视盘定位方法 | |
CN110363719A (zh) | 一种细胞分层图像处理方法及系统 | |
CN107644424B (zh) | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 | |
CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
CN104574374A (zh) | 视网膜浆液性色素上皮层脱离的自动分割方法 | |
CN101430789B (zh) | 基于Fast Slant Stack变换的图像边缘检测方法 | |
CN114092405A (zh) | 一种针对黄斑水肿oct图像的视网膜层自动分割方法 | |
CN112950611A (zh) | 一种基于ct图像的肝脏血管分割方法 | |
CN116740099A (zh) | 一种oct图像分割方法及装置 | |
CN109447948B (zh) | 一种基于病灶彩色视网膜眼底图像的视盘分割方法 | |
CN109840938B (zh) | 一种用于复杂汽车点云模型重建方法 | |
CN109993757B (zh) | 一种视网膜图像病变区域自动分割方法及系统 | |
CN114596262A (zh) | 一种基于图像识别技术的大坝监测分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20171011 |
|
CF01 | Termination of patent right due to non-payment of annual fee |