CN104545792B - 眼底图像的动静脉视网膜血管视盘定位方法 - Google Patents
眼底图像的动静脉视网膜血管视盘定位方法 Download PDFInfo
- Publication number
- CN104545792B CN104545792B CN201410848745.3A CN201410848745A CN104545792B CN 104545792 B CN104545792 B CN 104545792B CN 201410848745 A CN201410848745 A CN 201410848745A CN 104545792 B CN104545792 B CN 104545792B
- Authority
- CN
- China
- Prior art keywords
- fundus image
- blood vessel
- optic disc
- eye fundus
- pixel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 11
- 230000004807 localization Effects 0.000 title claims 7
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 110
- 239000012141 concentrate Substances 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002792 vascular Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims 2
- 230000003902 lesion Effects 0.000 abstract description 12
- 238000012937 correction Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 12
- 230000002207 retinal effect Effects 0.000 description 7
- 238000004195 computer-aided diagnosis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002008 hemorrhagic effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 231100000216 vascular lesion Toxicity 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010038862 Retinal exudates Diseases 0.000 description 1
- 208000014139 Retinal vascular disease Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000025033 vasoconstriction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底图像的动静脉视网膜血管视盘定位方法，包括：获取眼底图像的全局血管集，所述的全局血管集为所述眼底图像中所有血管的集合；针对所述的全局血管集中每一个血管，使用模糊收敛算法获取该血管的收敛区域；统计眼底图像每个像素点所属于的收敛区域的个数作为该像素点的投票值；选取投票值大的前n个像素点，对选取的n个像素点使用基于八连接的区域连通算法得到若干个连通区域，并以面积最大的连通区域作的中心坐标作为视盘定位信息。本发明的视盘定位方法采取多次定位投票的方式，具有鲁棒性，并且在眼底图像中具有较多病变的复杂情况下表现良好，最终添加模板匹配作为定位不收敛的补正，相对不处理这种情况的方法拒判较少。
Description
技术领域
本发明涉及计算机辅助诊断技术领域，具体涉及一种眼底图像的动静脉视网膜血管视盘定位方法。
背景技术
随着计算机技术中的人工智能领域的快速发展，计算机辅助诊断技术也逐渐发展。计算机辅助诊断技术是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，辅助影像科医师发现病灶，提高诊断的准确率。
通常医学影像学中计算机辅助诊断分为三步，具体如下：第一步是把病变从正常结构中提取出来；第二步是图像特征的量化；第三步是对数据进行处理并得出结论。
因为计算机可以全面利用影像信息进行精确的定量计算，去除人的主观性，避免因个人知识和经验的差异而引起的“千差万别”的诊断结果；所以它的结果是不含糊的，是确定的，它使诊断变得更为准确、更为科学。
随着现代高科技的发展，计算机辅助诊断将与图像处理和PACS系统等技术融合，变得更易于操作、也更趋于准确，其临床应用范围将进一步扩大。
在医学检测中，眼睛是唯一可无损检测同时信息丰富的器官。研究指出视网膜血管病变中的血管局限缩窄、弥漫缩窄、动静脉交叉压迫、血管行走改变、铜丝动脉、出血、棉絮斑、硬性渗出以及视网膜神经纤维层缺损与脑卒有显著的相关性。且对于脑卒中的预测，眼底检查仅需40元，而MRI检查则需要上千元，颈动脉超声也需要140元。相比之下眼底检查的性价比最高。眼底图像计算机分析的全自动化的方法，包括可以提供即时的视网膜病变分类，而不需要专家意见，建立以眼底血管视神经预测三高并发症的系统具有其确实的经济意义。因此，视网膜血管的病变检测在对脑卒的辅助检测具有突出作用。其中构建一个动静脉交叉压迫视网膜血管病变的自动检测系统更是其中的关键部分。
对眼底图像进行血管分割、视盘定位和血管分类(动静脉分裂)是视网膜血管的病变检测的基础，现有的血管分割方法需要人工添加标注信息，自动化程度不高。
发明内容
针对现有技术的不足，本发明提供了一种眼底图像的动静脉视网膜血管视盘定位方法。
一种眼底图像的动静脉视网膜血管视盘定位方法，包括如下步骤：
(1)获取眼底图像的全局血管集，所述的全局血管集为所述眼底图像中所有血管的集合；通过如下步骤获取：
(1-1)按照预设的二值化阈值对经过小波变换处理后的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到全局血管集；所述二值化阈值的取值范围为4～20％。
(2)针对所述的全局血管集中每一个血管，使用模糊收敛算法获取该血管的收敛区域；
(3)统计眼底图像每个像素点所属于的收敛区域的个数作为该像素点的投票值；
(4)选取投票值大的前n个像素点，对选取的n个像素点使用基于八连接的区域连通算法得到若干个连通区域，并以面积最大的连通区域作的中心坐标作为视盘定位信息。
选取投票值大的前n个像素点时，按照投票值将所有像素点进行排序，本发明中按照投票值由大至小进行排序，取前面的n个像素点即可。
n的大小根据眼底图像的大小设定，作为优选，所述n的取值为1000～3000。
为消除眼底图像中光照不均的影响，所述步骤(3)得到各个像素点的投票值构建一个投票矩阵，对所述的投票矩阵进行均值滤波；
所述投票矩阵中的元素与眼底图像中的像素点一一对应，每个元素值即为对应的像素点的投票值。作为优选，所述均值滤波时采用的均值滤波器的大小为N×N，其中N＝6～10。
为提高最终得到的视盘信息的精确度，作为优选，步骤(1)中按照不同二值化阈值的获取k个不同的全局血管集，相应的针对每个全局血管集进行步骤(2)～(3)得到对应的连通区域后进行如下操作得到视盘定位信息：
以各个全局血管集对应的面积最大的连通区域作该全局血管集的最终收敛区域，判断是否存在至少l个最终收敛区域的重叠区域，其中l＝k/3～k/2：
若存在，则以面积最大的重叠区域的中心坐标作为视盘定位信息；
否则，以采用特定模板匹配法得到视盘定位信息。
综合考虑视盘定位精度和定位效率，所述k的取值为6～10。
未作特殊说明，本发明中对长度、距离、图片大小等参数进行衡量时统一以像素点为单位。
本发明的视盘定位方法采取多次定位投票的方式，具有鲁棒性，并且在眼底图像中具有较多病变的复杂情况下表现良好，最终添加模板匹配作为定位不收敛的补正，与现有技术相比大大降低了拒判(视盘定位失败)现象。
附图说明
图1为本实施例的眼底图像；
图2为本实施例的眼底图像的动静脉视网膜血管视盘定位方法的流程图；
图3为本实施例中对眼底图像进行血管分割的流程图；
图4为血管分割得到的原始血管集的示意图；
图5为血管分割得到的全局血管集的示意图。
具体实施方式
下面将结合附图和具体实施例对本发明进行详细描述。
本实施例以图1所示的眼底图像为例来说明眼底图像的动静脉视网膜血管视盘定位方法，该眼底图像的大小为3000×3000。由拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因，该眼底图像中存在亮环。
对该眼底图像采用基于广度搜索算法的眼底图像的动静脉视网膜血管视盘定位，视盘定位流程如图2所示，包括如下步骤：
(1)获取眼底图像的全局血管集(即最终血管集)，全局血管集为眼底图像中所有血管的集合；
本实施例中通过对眼底图像进行血管分割获取眼底图像的全局血管集，如图3所示，包括如下步骤：
(1-1)对眼底图像进行小波变换(IUWT小波)，按照预设的二值化阈值对经过小波变换的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到原始血管集。
对血管树分叉处做断开处理时：当血管树中的血管中心线中多根中心线汇集到一点时，去除中心点(汇集的交叉点)，得到单独的多根血管中心线。
对各个血管段进行线分割时：以每一根中心线作为一个血管段。血管段为一条曲线，运用图像处理的线分割的传统方法，将曲线用多根直线逼近。得到的多根直线，每跟直线即代表一根血管，所有直线的集合即为原始血管集。
(1-3)确定误分割血管，本实施例中误分割血管得到第一类误分割血管和第二类误分割血管，从原始血管集合中删除第一类误分割血管和第二类误分割血管，则得到全局血管集(即最终血管集)。
对于环状反光造成的误分割，其分割出的血管相对于正常血管具有是由小段的血管组成的环的结构特点。
对于视盘周围的跃阶边缘造成的误分割，其分割出的血管在RGB色彩空间(即通道)和结构上并没有特别的特点。其误分割血管为视盘周围的背景组成，因为其靠近视盘，而视盘周围的背景颜色相对于远离视盘周围的背景来说和普通血管颜色具有相识性；从结构上来说由于其是孤立存在的，与视盘周围血管混杂在一起也很难从结构上区分出，如果强行从结构上做判定容易造成大量的误判。但是血管两侧的背景在RGB色彩空间上来说具有较大的色差，这是因为其两侧背景一边由视盘而另外一边由普通背景组成。而实际上一般的血管，其两侧背景都是由普通背景或者都是由视盘组成。
对于斑状病变以及出血病变造成的误分割，其分割出的血管在颜色上是由普通背景组成，不具有特殊特点。但是其结构相对正常血管来说显得特别杂乱，不具有较长的血管形成的树状结构，多为多个小的环状结构和一些细碎的小血管组合而成。
基于以上分析，本实施例中基于血管两侧的背景差异确定第一类误分割血管：
(a1)针对每个血管，提取该血管两侧背景的特征向量；
获取该侧距离中心线5～10个像素点(本实施例中距离10像素点)以内区域中的所有像素点在R、G、B三个通道上的颜色值并分别在每个通道上求平均，进而得到该侧的特征向量。
每侧的特征向量实际上为一个三维向量，分别表示血管两侧背景的在RGB三个通道上的颜色值信息。
(a2)采用K均值聚类法将特征向量聚为两类，根据特征向量与血管的对应关系将所有血管分为两类，由于误判概率通常不会过高，因此得到的小类(即血管含量较少的血管)即为第一类误分割血管。
本实施例中通过基于血管形状确定第二类误分割血管：
(b1)确定划分出原始血管集的眼底图像中的环状结构。
具体实现时可以构建无向图G＝(V，E)，V为所有血管中心线的两个端点的集合，E为所有血管的中心线的集合，利用该无向图G＝(V，E)确定环状结构。
(b2)针对各个环状结构，若该环状结构中长度最大的血管的长度小于预设的分割长度阈值α，其中α＝x/60～x/45，(本实施例中分割长度阈值α＝x/50，x为眼底图像的横向大小，即x＝3000)，则该环状结构中所有的血管为第二类误分割血管，进一步进行如下操作：
确定该环状结构的中心，并计算该中心到长度大于或等于α的血管的最短距离(即该中心到距离其最近的长度大于或等于α的血管的距离)，以该中心为圆心、最短距离为半径的圆形区域内所有血管为第二类误分割血管。
本实施例中二值化阈值为二值化处理后为血管的像素点个数占整个眼底图像的像素点比例，通常取值为4～20％。二值化阈值越大，则越宽松。
本实施例中使用六个不同的二值化阈值，分别为4％、6％、8％、10％、12％和14％。针对每个二值化阈值均进行步骤(1-1)～(1-3)，分别得到6个全局血管集合。
本实施例中二值化阈值为14％时得到的原始血管集如图4所示，对应得到的全局血管集的示意图如图5所示。可以看出，通过去除误分割血管可以有效消除由拍照造成的环状反光、视盘周围的非血管的跃阶边缘、斑状病变以及出血病变等原因造成的干扰，提高血管分割的精确度。
(2)针对当前全局血管集中每一个血管，使用模糊收敛算法获取该血管的收敛区域；
(3)统计眼底图像每个像素点所属于的收敛区域的个数作为该像素点的投票值，并根据各个像素点的投票值构建一个投票矩阵，对投票矩阵进行均值滤波，均值滤波时采用的均值滤波器的大小为6×6。
本实施例中构建的投票矩阵中的各个元素与眼底图像中的像素点一一对应，为对应的像素点的投票值。
(4)根据滤波后投票矩阵选取投票值大的前n个像素点(本实施例中n＝3000)，对选取的n个像素点使用基于八连接的区域连通算法得到若干个连通区域，以各个全局血管集对应的面积最大的连通区域作该全局血管集的最终收敛区域，判断是否存在至少l个最终收敛区域的重叠区域，其中l＝k/2，k为预设的二值化阈值的个数，即l＝3：
若存在，则以面积最大的重叠区域的中心坐标作为视盘定位信息；
否则，以采用特定模板匹配法得到视盘定位信息。
未作特殊说明，本实施例中所有流程图中圆角框表示得到的结果，方角矩形表示操作。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，包括如下步骤：
(1)获取眼底图像的全局血管集，所述的全局血管集为所述眼底图像中所有血管的集合；
所述步骤(1)通过如下步骤获取眼底图像的全局血管集：
(1-1)按照预设的二值化阈值对经过小波变换处理后的眼底图像进行二值化处理，并提取二值化处理后的眼底图像中的中心线和边缘，得到血管树；
(1-2)对所述的血管树分叉处做断开处理得到血管段，并对各个血管段进行线分割得到血管，得到全局血管集；(2)针对所述的全局血管集中每一个血管，使用模糊收敛算法获取该血管的收敛区域；
(3)统计眼底图像每个像素点所属于的收敛区域的个数作为该像素点的投票值；
(4)选取投票值大的前n个像素点，对选取的n个像素点使用基于八连接的区域连通算法得到若干个连通区域，并以面积最大的连通区域作的中心坐标作为视盘定位信息；
所述步骤(1)中按照k个不同二值化阈值的获取k个不同的全局血管集，相应的针对每个全局血管集进行步骤(2)～(3)得到对应的连通区域后进行如下操作得到视盘定位信息：
以各个全局血管集对应的面积最大的连通区域作该全局血管集的最终收敛区域，判断是否存在至少l个最终收敛区域的重叠区域，其中l＝k/3～k/2：
若存在，则以面积最大的重叠区域的中心坐标作为视盘定位信息；
否则，以采用特定模板匹配法得到视盘定位信息。
2.如权利要求1所述的眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，所述二值化阈值的取值范围为4～20％。
3.如权利要求1所述的眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，所述k的取值为6～10。
4.如权利要求3所述的眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，所述n的取值为1000～3000。
5.如权利要求4所述的眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，所述步骤(3)得到各个像素点的投票值构建一个投票矩阵，对所述的投票矩阵进行均值滤波；
所述投票矩阵中的元素与眼底图像中的像素点一一对应，为对应的像素点的投票值。
6.如权利要求5所述的眼底图像的动静脉视网膜血管视盘定位方法，其特征在于，所述均值滤波时采用的均值滤波器的大小为N×N，其中N＝6～10。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410848745.3A CN104545792B (zh) | 2014-12-31 | 2014-12-31 | 眼底图像的动静脉视网膜血管视盘定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410848745.3A CN104545792B (zh) | 2014-12-31 | 2014-12-31 | 眼底图像的动静脉视网膜血管视盘定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104545792A CN104545792A (zh) | 2015-04-29 |
| CN104545792B true CN104545792B (zh) | 2016-08-24 |
Family
ID=53063666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410848745.3A Active CN104545792B (zh) | 2014-12-31 | 2014-12-31 | 眼底图像的动静脉视网膜血管视盘定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104545792B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718919B (zh) * | 2016-02-02 | 2018-05-08 | 吉林大学 | 一种眼底图像视盘定位方法及系统 |
| CN106372593B (zh) * | 2016-08-30 | 2019-12-10 | 上海交通大学 | 一种基于血管收敛的视盘区定位方法 |
| CN107203758A (zh) * | 2017-06-06 | 2017-09-26 | 哈尔滨理工大学 | 糖尿病人视网膜血管图像分割方法 |
| CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
| CN108073918B (zh) * | 2018-01-26 | 2022-04-29 | 浙江大学 | 眼底视网膜的血管动静脉交叉压迫特征提取方法 |
| CN111292296B (zh) * | 2020-01-20 | 2024-06-18 | 京东方科技集团股份有限公司 | 一种基于眼部识别模型的训练集获取方法及设备 |
| CN111968117B (zh) * | 2020-09-25 | 2023-07-28 | 北京康夫子健康技术有限公司 | 重合度检测方法、装置、设备以及存储介质 |
| CN115409762B (zh) * | 2021-05-28 | 2023-11-24 | 南京博视医疗科技有限公司 | 自动检测规划点与血管的重叠的方法及装置 |
| CN114917470B (zh) * | 2022-06-23 | 2023-11-07 | 浙江大学 | 一种具有眼底图案信息的视网膜刺激电极及其制作方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7524061B2 (en) * | 2005-10-12 | 2009-04-28 | Siemens Corporate Research, Inc. | System and method for robust optic disk detection in retinal images using vessel structure and radon transform |
| CN102112044A (zh) * | 2008-05-14 | 2011-06-29 | 科学、技术与研究机构 | 自动杯盘比测量系统 |
| WO2011063220A2 (en) * | 2009-11-20 | 2011-05-26 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Formalization of retinal nerve fiber layer thickness measurements made by time domain-optical coherence tomography |
| WO2012136079A1 (en) * | 2011-04-07 | 2012-10-11 | The Chinese University Of Hong Kong | Method and device for retinal image analysis |
-
2014
- 2014-12-31 CN CN201410848745.3A patent/CN104545792B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| Locating the Optic Nerve in a Retinal Image Using the Fuzzy Convergence of the Blood Vessels;Adam Hoover;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20030831;第22卷(第8期);第952页第1栏第2段至956页第2栏第3段， * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104545792A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573712B (zh) | 基于眼底图像的动静脉视网膜血管分类方法 | |
| CN104545792B (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
| CN104537669B (zh) | 眼底图像的动静脉视网膜血管分割方法 | |
| CN111340789B (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| US11101033B2 (en) | Medical image aided diagnosis method and system combining image recognition and report editing | |
| Li et al. | A large-scale database and a CNN model for attention-based glaucoma detection | |
| CN109035255B (zh) | 一种基于卷积神经网络的ct图像中带夹层主动脉分割方法 | |
| CN104573716A (zh) | 基于广度搜索算法的眼底图像的动静脉视网膜血管分类方法 | |
| CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
| CN104414636B (zh) | 基于磁共振图像的脑微出血计算机辅助检测系统 | |
| CN108986073A (zh) | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 | |
| CN103106408B (zh) | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 | |
| Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
| CN107582058A (zh) | 一种磁共振前列腺灌注图像的智能诊断恶性肿瘤的方法 | |
| CN110021022A (zh) | 一种基于深度学习的甲状腺核医学图像诊断方法 | |
| Maqsood et al. | Detection of macula and recognition of aged-related macular degeneration in retinal fundus images | |
| SG172159A1 (en) | A method and system for determining the position of an optic cup boundary | |
| CN103942799A (zh) | 一种乳腺超声图像分割方法及系统 | |
| CN107203758A (zh) | 糖尿病人视网膜血管图像分割方法 | |
| CN110189299B (zh) | 一种基于MobileNet的脑血管事件自动识别方法及系统 | |
| CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
| CN113223704B (zh) | 基于深度学习的计算机断层扫描主动脉瘤的辅助诊断方法 | |
| Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
| Heitz et al. | Lubrav: a new framework for the segmentation of the lung’s tubular structures | |
| Venkatalakshmi et al. | Graphical user interface for enhanced retinal image analysis for diagnosing diabetic retinopathy |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191008 Address after: 310000 room 410-2, floor 4, building 3, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Qiushi innovative health technology Co.,Ltd. Address before: 310027 Hangzhou, Zhejiang Province, Xihu District, Zhejiang Road, No. 38, No. Patentee before: Zhejiang University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220823 Address after: Room 201, Building 11, Juhu Lake Science and Technology Innovation Park, No. 500, Shuiyueting East Road, Xishi Street, Haining City, Jiaxing City, Zhejiang Province, 314499 Patentee after: Haining Qiushi Innovation Health Technology Co.,Ltd. Address before: Room 410-2, 4th Floor, Building 3, No. 9, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province, 310000 Patentee before: Hangzhou Qiushi innovative health technology Co.,Ltd. |