CN104573716A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN104573716A CN104573716A CN201410850765.4A CN201410850765A CN104573716A CN 104573716 A CN104573716 A CN 104573716A CN 201410850765 A CN201410850765 A CN 201410850765A CN 104573716 A CN104573716 A CN 104573716A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- main
- fundus image
- eye fundus
- breadth
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种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,包括:(1)获取眼底图像的全局血管集和视盘定位信息,所述的全局血管集为所述眼底图像中所有血管的集合,所述的视盘定位信息包括所述眼底图像的视盘中心;(2)根据所述的全局血管集和视盘定位信息确定主血管,并对主血管进行分类得到主血管分类信息;(3)利用所述的主血管分类信息采用基于SAT的广度搜索算法对所述的全局血管集中的血管进行分类得到全局分类信息。本发明首先获取视盘周围的主血管的分类信息,并从主血管开始基于SAT的广度搜索算法外扩扩散得到所有血管,实现了一个完整的自动血管分类方法,无需人工干预,且分类精度高。
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。
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。
一种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,首先获取眼底图像的全局血管集和视盘定位信息,所述的全局血管集为所述眼底图像中所有血管的集合,所述的视盘定位信息包括所述眼底图像的视盘中心,然后根据所述的全局血管集和视盘定位信息对所述全局血管集中的血管进行动静脉视网膜血管分类,分类时进行如下步骤:
(1)根据所述的全局血管集和视盘定位信息确定主血管,并对主血管进行分类得到主血管分类信息;
取视盘周围的主血管是因为一般来说,血管在刚从视盘中心处发源出来的时候动静脉还具有一些区分度,此时一般动脉颜色要比静脉浅,而且血管中间部位反光比较明显,而当血管延伸到离视盘越远的地方的时候,其区分度越小,甚至到了专业医生也几乎无法利用血管的局部信息进行动静脉分类的地步。
本发明中通过如下方法确定主血管:
以视盘中心向外为扩展若干像素点的区域作为视盘邻近区域(即以距离视盘中心若干个像素点以内的区域作为视盘邻近区域),以所述的视盘邻近区域内长度大于预设的分类长度阈值的血管作为主血管。
本发明中向外扩展R个像素点,即以视盘中心为圆心,以R为半径的区域作为视盘邻近区域,以确定的视盘邻近区域内长度大于预设的分类长度阈值的血管作为主血管。
其中,半径R和分类长度阈值的大小根据眼底图片的大小和实际情况决定。作为优选,所述R的取值为100~150,所述的分类长度阈值为50~65。
确定主血管后,通过如下步骤对主血管进行分类得到主血管分类信息:
(1-1)获取各个主血管的平均管径,指定平均管径最大的主血管为静脉血管;
从解剖学原理上来说视盘周围的一级血管(主血管)中最粗的一根血管一般为静脉血管。
通常眼底图像为二维图像,反应至眼底图像中血管管径实际上眼底图像中血管的宽度。
(1-2)将各个主血管切割为若干片段,得到相应的主血管切片;
采用切片而不使用全血管段的均值,是因为这样可以增加样本的数量,便于聚类区分动静脉,同时因为血管的长度并不是均匀的,可以保证特征维度的一致性。
(1-3)提取各个主血管切片的特征向量,并基于所述的特征向量采用聚类法将所述的主血管切片聚为两类,并以将静脉血管对应的主血管切片所在的类作为静脉血管,另一类作为动脉血管;
作为优选,本发明中采用K均值聚类法将所述的主血管切片聚为两类。
(1-4)针对每个主血管,以(该主血管)较多主血管切片所在的类作为该主血管的分类结果。
作为优选,所述步骤(1-3)中通过如下方法提取各个主血管切片的特征向量:
获取距离主血管切片的血管中心若干个像素点以内的区域中所有像素点的颜色信息,并以该区域内所有像素点的颜色信息的均值作为该主血管切片的特征向量。
所述的颜色信息包括该采样点的RGB值和HSL值,并以所有像素点的颜色信息的均值作为该主血管切片的特征向量。
进一步优选,提取各个主血管切片的特征向量时获取与血管中心的距离小于预设距离阈值的区域内所有像素点的颜色信息,其预设的距离阈值为5~8个像素点。即沿该主血管切片的血管中心向四周分别获取5~8个像素点的颜色信息。
(2)利用所述的主血管分类信息采用基于SAT的广度搜索算法对所述的全局血管集中的血管进行分类得到全局分类信息。
对全局血管集进行广度搜索,基于SAT的广度搜索算法在搜索过程中使用三条约束条件进行血管类别的传递:十字交叉的两根血管分别标记为两类血管;三岔结构中的三根血管标记为;三岔结构中的三根血管其中一根血管如果和剩余的两根血管夹角之和小于或等于270度时,判定为约束2的三岔结构,即三根血管为同一类血管,否则不做判定。
利用上述三个约束条件可以较好的区分由于血管分割时存在的漏分割而造成的交叉误判断成三叉的情况,提高分类精度。另一方面,基于该约束条件可信度高的血管先得到分类结果,可信度低的血管对于可信度高的血管传递不到的区域做补正的方式可以使得全局的血管标注的可信度提高,从而提高分类效果。
本发明指定较粗的主血管为静脉血管,因此在整个SAT的广度搜索算法中血管越粗,得到的该血管的分类结果的可信度越高。
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。
与现有技术相比,本发明首先获取视盘周围的主血管的分类信息,并从主血管开始基于SAT的广度搜索算法外扩扩散得到所有血管,实现了一个完整的自动血管分类方法,无需人工干预,且分类精度高。
附图说明
图1为本实施例的眼底图像;
图2为基于广度搜索算法的眼底图像的动静脉视网膜血管分类的流程图;
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;
图6本实施例中对眼底图像进行视盘定位的流程图;
图7为本实施例眼底图像的动静脉视网膜血管分类的全局分类信息的示意图。
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,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分类,分类流程如图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)和视盘定位信息,全局血管集为眼底图像中所有血管的集合,视盘定位信息包括眼底图像的视盘中心;
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,具体流程如图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,组合即得到原始血管集。
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,每根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10个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),分别对应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。
本实施例中通过对眼底图像进行视盘定位得到视盘定位信息,具体流程如图6所示,针对每个全局血管集进行如下操作:
(1-2)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;
(1-3)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。
(1-4)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。
本实施例中选取投票值大的前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。
(2)根据二值化阈值最大(即最宽松)的全局血管集和视盘定位信息确定主血管,并对主血管进行分类得到主血管分类信息;
本实施例中通过如下方法确定主血管:
以距离视盘中心100个像素点以内的区域作为视盘邻近区域,以确定的视盘邻近区域内长度大于预设的分类长度阈值(本实施例中预设的分类长度阈值为60)的血管作为主血管。
本实施例中如下步骤对主血管进行分类得到主血管分类信息:
(2-1)获取各个主血管的平均管径,指定平均管径最大的主血管为静脉血管;
(2-2)将各个主血管切割为若干片段,得到相应的主血管切片;
本实施例中分割时沿着主血管的中心线,每一个像素点即为一个切片,进而将各个主血管切割(即血管切片)为若干片段。
(2-3)沿该主血管切片的血管中心向两侧分别获取5个像素点的颜色信息,并以所有像素点的颜色信息的均值作为该主血管切片的特征向量;
本实施例中该像素点的RGB值和HSL值,即得到的特征向量为6维向量,各维分别对应该像素点在R、G、B以及H、S、L通道上的颜色值。
然后,基于特征向量采用K均值聚类法将所有主血管切片聚为两类,并以将静脉血管对应的主血管切片所在的类作为静脉血管类,另一类作为动脉血管类。
(2-4)针对每个主血管,以较多主血管切片所在的类作为该主血管的分类结果。
例如对于任意一个主血管,其对应的主血管切片中有A%在动脉血管类中,B%在静脉血管类中,若A大于B,则认为该血管为动脉血管,若A小于B则认为该血管为静脉血管,否则,任意指定。
(3)利用主血管分类信息采用基于SAT的广度搜索算法对全局血管集中的血管进行分类得到全局分类信息。
对于全局血管集进行广度搜索,基于SAT的广度搜索算法在搜索过程中使用三条约束条件进行血管类别的传递:十字交叉的两根血管分别标记为两类血管;三岔的血管标记为一类血管;三岔的血管其中一血管如果和剩余的两根血管夹角之和小于等于270度时判定为约束2的三岔结构,否则不做判定。
图7为本实施例中采用基于SAT的广度搜索算法得到的全局分类信息,可以看出未分类(即分类后仍然没有分类信息)的血管数量较少,大大较小了因血管分割引起的三岔结构中的血管分类无法进行的情况。
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 (8)
1.一种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,首先获取眼底图像的全局血管集和视盘定位信息,所述的全局血管集为所述眼底图像中所有血管的集合,所述的视盘定位信息包括所述眼底图像的视盘中心,然后根据所述的全局血管集和视盘定位信息进行动静脉视网膜血管分类,其特征在于,分类时进行如下步骤:
(1)根据所述的全局血管集和视盘定位信息确定主血管,并对主血管进行分类得到主血管分类信息;
(2)利用所述的主血管分类信息采用基于SAT的广度搜索算法对所述的全局血管集中的血管进行分类得到全局分类信息。
2.如权利要求1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,其特征在于,所述步骤(1)通过如下方法确定主血管:
以距离视盘中心若干个像素点以内的区域作为视盘邻近区域,以所述的视盘邻近区域内长度大于预设的分类长度阈值的血管作为主血管。
3.如权利要求1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,其特征在于,所述的分类长度阈值为50~65。
4.如权利要求2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,其特征在于,所述步骤(1)通过如下步骤对主血管进行分类得到主血管分类信息:
(1-1)获取各个主血管的平均管径,指定平均管径最大的主血管为静脉血管;
(1-2)将各个主血管切割为若干片段,得到相应的主血管切片;
(1-3)提取各个主血管切片的特征向量,并基于所述的特征向量采用聚类法将所述的主血管切片聚为两类,并以将静脉血管对应的主血管切片所在的类作为静脉血管,另一类作为动脉血管;
(1-4)针对每个主血管,以较多主血管切片所在的类作为该主血管的分类结果。
5.如权利要求4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,其特征在于,所述步骤(1-3)中采用K均值聚类法将所述的主血管切片聚为两类。
6.如权利要求4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,其特征在于,所述步骤(1-3)中通过如下方法提取各个主血管切片的特征向量:
获取距离主血管切片的血管中心若干个像素点以内的区域中所有像素点的颜色信息,并以该区域内所有像素点的颜色信息的均值作为该主血管切片的特征向量。
7.如权利要求6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,其特征在于,提取各个主血管切片的特征向量时获取距离主血管切片的血管中心5~8个像素点以内区域像素点的颜色信息。
8.如权利要求7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,其特征在于,所述的颜色信息包括该采样点的RGB值和HSL值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410850765.4A CN104573716A (zh) | 2014-12-31 | 2014-12-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410850765.4A CN104573716A (zh) | 2014-12-31 | 2014-12-31 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104573716A true CN104573716A (zh) | 2015-04-29 |
Family
ID=53089736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410850765.4A Pending CN104573716A (zh) | 2014-12-31 | 2014-12-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573716A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256410A (zh) * | 2017-05-26 | 2017-10-17 | 北京郁金香伙伴科技有限公司 | 对类镜像图像分类的方法及装置 |
CN107392999A (zh) * | 2017-07-24 | 2017-11-24 | 青岛海信医疗设备股份有限公司 | 用于确定血管子分支的血管类型的方法及装置 |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 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 |
CN108230322A (zh) * | 2018-01-28 | 2018-06-29 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN108765418A (zh) * | 2018-06-14 | 2018-11-06 | 四川和生视界医药技术开发有限公司 | 视网膜动静脉等效管径比检测方法及检测装置 |
CN108803994A (zh) * | 2018-06-14 | 2018-11-13 | 四川和生视界医药技术开发有限公司 | 视网膜血管的管理方法及视网膜血管的管理装置 |
CN109447948A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的视盘分割方法 |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
WO2021244661A1 (zh) * | 2020-06-05 | 2021-12-09 | 上海联影医疗科技股份有限公司 | 确定图像中血管信息的方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN102014731A (zh) * | 2008-04-08 | 2011-04-13 | 新加坡国立大学 | 视网膜图像分析系统和方法 |
CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
-
2014
- 2014-12-31 CN CN201410850765.4A patent/CN104573716A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014731A (zh) * | 2008-04-08 | 2011-04-13 | 新加坡国立大学 | 视网膜图像分析系统和方法 |
CN101393644A (zh) * | 2008-08-15 | 2009-03-25 | 华中科技大学 | 一种肝门静脉血管树建模方法及其系统 |
CN102346911A (zh) * | 2010-07-28 | 2012-02-08 | 北京集翔多维信息技术有限公司 | 在数字减影血管造影图像序列中分割血管的方法 |
Non-Patent Citations (2)
Title |
---|
ADAM HOOVER等: "Locating the Optic Nerve in a Retinal Image Using the Fuzzy Convergence of the Blood Vessels", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
CLAUDIA NIEUWENHUIS等: "Blood vessel classification into arteries and veins in retinal images", 《PROCEEDINGS OF SPIE - THE INTERNATIONAL SOCIETY FOR OPTICAL ENGINEERING》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256410A (zh) * | 2017-05-26 | 2017-10-17 | 北京郁金香伙伴科技有限公司 | 对类镜像图像分类的方法及装置 |
CN107392999B (zh) * | 2017-07-24 | 2021-06-01 | 青岛海信医疗设备股份有限公司 | 用于确定血管子分支的血管类型的方法及装置 |
CN107392999A (zh) * | 2017-07-24 | 2017-11-24 | 青岛海信医疗设备股份有限公司 | 用于确定血管子分支的血管类型的方法及装置 |
CN108073918A (zh) * | 2018-01-26 | 2018-05-25 | 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 |
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 |
CN108230322B (zh) * | 2018-01-28 | 2021-11-09 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN108230322A (zh) * | 2018-01-28 | 2018-06-29 | 浙江大学 | 一种基于弱样本标记的眼底特征检测装置 |
CN108803994A (zh) * | 2018-06-14 | 2018-11-13 | 四川和生视界医药技术开发有限公司 | 视网膜血管的管理方法及视网膜血管的管理装置 |
CN108765418A (zh) * | 2018-06-14 | 2018-11-06 | 四川和生视界医药技术开发有限公司 | 视网膜动静脉等效管径比检测方法及检测装置 |
CN108803994B (zh) * | 2018-06-14 | 2022-10-14 | 四川和生视界医药技术开发有限公司 | 视网膜血管的管理方法及视网膜血管的管理装置 |
CN109447948A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的视盘分割方法 |
WO2021244661A1 (zh) * | 2020-06-05 | 2021-12-09 | 上海联影医疗科技股份有限公司 | 确定图像中血管信息的方法和系统 |
CN112861961A (zh) * | 2021-02-03 | 2021-05-28 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
CN112861961B (zh) * | 2021-02-03 | 2021-11-12 | 推想医疗科技股份有限公司 | 肺血管分类方法及装置、存储介质及电子设备 |
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 | |
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 | |
CN104537669B (zh) | 眼底图像的动静脉视网膜血管分割方法 | |
CN104545792B (zh) | 眼底图像的动静脉视网膜血管视盘定位方法 | |
Rehman et al. | Microscopic malaria parasitemia diagnosis and grading on benchmark datasets | |
Zhu et al. | Detection of the optic nerve head in fundus images of the retina using the hough transform for circles | |
CN109636805B (zh) | 一种基于分类先验的宫颈图像病变区域分割装置及方法 | |
CN112465772B (zh) | 眼底彩照图像血管评估方法、装置、计算机设备和介质 | |
CN112716446B (zh) | 高血压性视网膜病变的病变特征的测量方法及测量系统 | |
WO2022166399A1 (zh) | 基于双模态深度学习的眼底疾病辅助诊断方法和装置 | |
CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
CN111797901A (zh) | 一种基于拓扑结构估计的视网膜动静脉分类方法及装置 | |
CN114926477A (zh) | 一种基于深度学习的脑肿瘤多模态mri影像分割方法 | |
CN108665454A (zh) | 一种内镜图像智能分类及不规则病变区域检测方法 | |
SG172159A1 (en) | A method and system for determining the position of an optic cup boundary | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN111797900B (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
CN107203758A (zh) | 糖尿病人视网膜血管图像分割方法 | |
CN116188485A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115206495A (zh) | 基于CoAtNet深度学习的肾癌病理图像分析方法、系统及智能显微装置 | |
Chen et al. | Automated stage analysis of retinopathy of prematurity using joint segmentation and multi-instance learning | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
Yang et al. | Detection of microaneurysms and hemorrhages based on improved Hessian matrix | |
Fan et al. | Positive-aware lesion detection network with cross-scale feature pyramid for OCT images | |
CN113344893B (zh) | 一种高精度眼底动静脉识别的方法、装置、介质和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150429 |