CN104574374B - 视网膜浆液性色素上皮层脱离的自动分割方法 - Google Patents

视网膜浆液性色素上皮层脱离的自动分割方法 Download PDF

Info

Publication number
CN104574374B
CN104574374B CN201410810074.1A CN201410810074A CN104574374B CN 104574374 B CN104574374 B CN 104574374B CN 201410810074 A CN201410810074 A CN 201410810074A CN 104574374 B CN104574374 B CN 104574374B
Authority
CN
China
Prior art keywords
retina
serous
epithelial layer
detached
algorithm
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
Application number
CN201410810074.1A
Other languages
English (en)
Other versions
CN104574374A (zh
Inventor
陈新建
孙助力
石霏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bigway Medical Technology Co ltd
Original Assignee
Suzhou Were Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Were Medical Technology Co Ltd filed Critical Suzhou Were Medical Technology Co Ltd
Priority to CN201410810074.1A priority Critical patent/CN104574374B/zh
Publication of CN104574374A publication Critical patent/CN104574374A/zh
Application granted granted Critical
Publication of CN104574374B publication Critical patent/CN104574374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • A61B3/1225—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 using coherent radiation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

视网膜浆液性色素上皮层脱离的自动分割方法，包括以下步骤：a.预处理：把光学相干断层扫描眼部成像仪获取的三维视网膜图像输入计算机，使用曲线异向扩散滤波方法对视网膜浆液性色素上皮层脱离的图像去噪；b.自动分割：使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分层，得到初始分割结果；根据初始分割结果使用数学形态学算法获得前景、背景种子点；使用图割算法对视网膜浆液性色素上皮脱离区域自动分割；c.后处理：使用数学形态学算法优化自动分割结果。本发明有效地融合了图搜索，图割和数学形态学算法，实现了视网膜浆液性色素上皮层脱离区域的自动分割。

Description

视网膜浆液性色素上皮层脱离的自动分割方法
技术领域
本设计涉及视网膜浆液性色素上皮层脱离的自动分割方法，属于计算机视觉、医学图像处理与分析技术领域。
背景技术
视网膜浆液性色素上皮层脱离可能由多种脉络膜或者视网膜疾病引起，如年龄相关性黄斑变性、息肉状脉络膜血管病变、中心性浆液性脉络膜视网膜病变、葡萄膜炎等。由于视网膜浆液性色素上皮层脱离常常导致中心视力丧失，因此，视网膜浆液性色素上皮层脱离的自动分割具有重要的临床意义。
目前的视网膜图像自动分割算法存在以下的缺陷：(1)大部分算法都是二维算法，即在每个切片图像(x-z平面图像，称为横向扫描图像)中独立进行分割，这类方法没有充分利用三维的上下文信息，较容易受到图像噪声或伪影的影响，导致分割错误。(2)大部分已有的视网膜组织层次分割算法都是针对正常视网膜设计的，当视网膜组织由于病变产生较大的形变时，这些算法将失效。
(3)大部分已有的视网膜的病变区域分割算法都仅对病变区域定性分析，并没有提供关于病变区域的准确的定量信息，如形状，大小和位置等。因此，不能提高诊断和治疗的精准度。
发明内容
针对现有技术的不足，本设计的目的是提供视网膜浆液性色素上 皮层脱离的自动分割方法，实现了视网膜浆液性色素上皮层脱离区域的自动分割。
为实现上述目的，本设计是通过以下技术手段来实现的：
视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：包括以下步骤：
a.预处理：把光学相干断层扫描眼部成像仪获取的三维视网膜图像输入计算机，使用曲线异向扩散滤波方法对视网膜浆液性色素上皮层脱离的图像去噪；b.自动分割：首先，使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分层(分层指将视网膜图像分成不同的曲面)，得到色素上皮层脱离区域的初始分割结果；然后，使用数学形态学算法获得前景种子点、背景种子点；最后，使用图割算法对视网膜浆液性色素上皮脱离区域自动分割(分割指得到一块或者多块病变区域)；c.后处理：使用数学形态学算法优化自动分割结果。
进一步地：
所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的预处理步骤为：
使用曲线异向扩散滤波方法对视网膜色素上皮层脱离的图像去噪，其曲线扩散方程为：可以去掉视网膜图片的散斑噪声，并保留图像的边界。
所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的自动分割使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分成4层，得到初始结果的步骤为：
(a)分割内界膜；(b)分割视网膜内外层分界面；(c)分割色素上皮层；(d)估计出布鲁赫膜；(e)将色素上皮层与布鲁赫膜两层之间的区域作为视网膜浆液性色素上皮层脱离区域的初始化分割结果。
所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的自动分割使用数学形态学算法获得前景种子点、背景种子点步骤为：
(a)腐蚀操作得到前景种子点；(b)膨胀操作得到背景种子点。
所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的自动分割使用图割算法对视网膜浆液性色素上皮脱离区域自动分割步骤为：
(a)设计图割算法的代价函数，E(total)＝E(region)+E(boundary)+E(shape)；
(b)基于(a)中已经设计好的能量函数E(total)最小的要求，实现最大流最小割算法。
所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的后处理步骤为：
(a)采用AdaBoost分类器对视网膜浆液性色素上皮层脱离区域的形状和大小进行学习，并将分类器的学习结果作为设计结构元素的依据；
(b)设计了2种结构元素，即半径为6，高度为6的半球形结构元素和半径为3，高度为3的半球形结构元素；
(c)执行数学形态学算法中的腐蚀操作，去掉错误的自动分割结 果。
本发明的有益效果是：视网膜浆液性色素上皮层脱离是一种视网膜脉络膜疾病的重要特征，如年龄相关性黄斑变性，中心性视网膜浆液性视网膜病变和中心性渗出性脉络膜视网膜病变。视网膜浆液性色素上皮层脱离常常导致中心视力丧失，因此，视网膜浆液性色素上皮层脱离的自动分割具有重要的临床意义。
然而，由于视网膜浆液性色素上皮层脱离这种病变结构的形状，大小，出现的位置都具有任意性，因此，完全自动化地分割视网膜浆液性色素上皮层脱离仍然是一个具有挑战性的任务。本发明有效地融合三维的图搜索，图割和数学形态学算法，对光学相干断层扫描眼部成像仪获取的三维视网膜图像进行处理，实现了视网膜浆液性色素上皮层脱离区域的自动分割。而且可以为临床医生提供关于视网膜浆液性色素上皮层脱离区域的准确的定量信息，包括形状，大小和位置，从而提高诊断和治疗的精准度。
附图说明
图1为曲线异向扩散滤波方法对视网膜图像去掉散斑噪声后的结果:(a)原图像,(b)去掉大部分散斑噪声后的图像；图2为视网膜浆液性色素上皮层脱离图像自动分层结果的图像；图3为数学形态学方法获得前景种子点、背景种子点的结果:(a)初始分割结果图像，(b)前景种子点图像，(c)背景种子点图像；图4为图割方法得到的自动分割结果的图像；图5为数学形态学算法优化图割算法得到的分割结果后的图像:(a)图割算法得到的分割结果的图像；(b)优化后的、去掉 了错误的分割结果的图像；图6为视网膜浆液性色素上皮层脱离图像的最终分割结果:(a)分割结果的二维显示图像，(b)分割结果的三维显示图像。
附图标记含义如下：
标号1为散斑噪声；标号2曲线为内界膜；标号3曲线为视网膜内外层分界面，标号4曲线为视网膜色素上皮层；标号5曲线为估计出的布鲁赫膜；标号6区域为前景种子点；标号7区域为背景种子点；标号8区域为视网膜浆液性色素上皮层脱离区域；标号9区域为图割算法自动分割结果；标号10区域为优化后的结果，即去掉了错误的分割结果；标号11区域为视网膜浆液性色素上皮层脱离区域的二维显示；标号12区域为视网膜浆液性色素上皮层脱离区域的三维显示。
具体实施方式
下面将结合说明书附图，对设计作进一步的说明。
视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：包括以下步骤：
a.预处理：把光学相干断层扫描眼部成像仪获取的三维视网膜图像输入计算机，使用曲线异向扩散滤波方法对视网膜浆液性色素上皮层脱离的图像去噪；b.自动分割：首先，使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分层(分层指将视网膜图像分成不同的曲面)，得到色素上皮层脱离区域的初始分割结果；然后，使用数学形态学算法获得前景种子点、背景种子点；最后，使用图割算法对视网膜浆液性色素上皮层脱离区域自动分割(分割指得到一块或者多块病 变区域)；c.后处理：使用数学形态学算法优化自动分割结果。
进一步地：
所述的预处理的具体实施方式如下所示：
视网膜浆液性色素上皮层脱离的图像通过光学相干断层扫描眼部成像仪获取，但是，光学相干断层扫描眼部成像仪获取的三维视网膜图像含有较多的散斑噪声。为保证后续分割的效果，必须在有效去除噪声的同时尽可能保留图像中的边缘信息。本发明采用曲线异向扩散滤波方法对光学相干断层扫描眼部成像仪获取的视网膜浆液性色素上皮层脱离的图像滤波，可以去掉散斑噪声，并且图像的边界能清晰地保留。该方法的曲线扩散方程为：
其中，f是输入图像，ft是输出图像，▽是梯度算子，c是传导率变换函数。基于该曲线扩散方程可以实现曲线异向扩散滤波方法，去掉散斑噪声。去掉散斑噪声后结果如图1(b)所示,其中图1(a)为原图像，标号1为散斑噪声点。通过对比发现，图1(b)中标号1的散斑噪声点明显减少。
所述的自动分割使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分成4层，得到视网膜浆液性色素上皮层脱离区域的初始分割结果。视网膜图像分层的先后顺序很重要，并且先分割出的视网膜层要作为后面视网膜层分割的位置约束条件，其实现过程一共包括5部分，具体实施方式如下所示：
(a)分割内界膜
内界膜受视网膜浆液性色素上皮层脱离的影响较小，因此首先进行分割。并且，其分割结果作为其他视网膜层分割的位置约束条件，因为其他3层只可能位于内界膜下面。采用多分辨率图搜索算法分割内界膜的过程如下：对去掉噪声后的三维图像在竖直方向(z方向)上进行下采样使该方向像素点个数变为一半，重复一次该过程，得到三个不同分辨率的图像，按分辨率从低到高表示为尺度1、2、3。分割首先在最低分辨率的尺度1上进行，在所得结果的基础上，在尺度2上附近区域内进行进一步的精确分割，依次类推，最终得到原图像上的分割结果。分割过程为寻找代价最小的分割面的过程，由图搜索算法完成。结果如图2中标号2曲线所示。
(b)分割视网膜内外层分界面
以已经分割出来的内界膜作为位置约束条件，因为视网膜内外层分界面只可能位于内界膜下方。重复(a)步骤中多分辨率图搜索过程，得到代价最小的分割面。结果如图2中标号3曲线所示。
(c)分割色素上皮层
以已经分割出来的视网膜内外层分界面作为位置约束条件，因为色素上皮层只可能位于视网膜内外层分界面下方。在视网膜浆液性色素上皮层脱离的图像中，色素上皮层在脱离区域呈光滑的隆起，在前后横向扫描图像中的变化较大，而下方为较暗的积液区域。以视网膜内外层分界面作为位置约束条件，即色素上皮层肯定在视网膜内外层分界面下面。重复(a)步骤中多分辨率图搜索过程，得到代价最小的分割面。结果如图2中标号4曲线所示。
(d)估计出布鲁赫膜位置
以已经分割出来的色素上皮层作为位置约束条件，因为布鲁赫膜只可能位于色素上皮层下方。因此，基于色素上皮层的位置约束条件，实现凸包算法，估计出布鲁赫膜的位置。因为布鲁赫膜在光学相干断层扫描图像上是看不见的，所以通过凸包算法来估计布鲁赫膜的位置。结果如图2中标号5曲线所示。
(e)得到初始分割结果
将视网膜色素上皮层与布鲁赫膜两层之间的区域作为视网膜浆液性色素上皮层脱离区域的初始化分割结果，既标号4曲线与标号5曲线之间的区域。
所述的自动分割使用数学形态学算法获得前景种子点、背景种子点的实现过程一共包括2部分，其具体实施方式如下所示：
(a)腐蚀操作得到前景种子点
选择圆盘状，半径为5～7个像素单位的结构元素进行腐蚀操作，得到前景种子点。初始化分割结果并一定是准确的分割结果，可能包括错误分割的区域。尤其在边界模糊的图像中，分割结果往往比实际结果要大。而前景种子点要求必须位于目标区域中，而且前景种子点可以只是目标区域的一部分。所以进行腐蚀操作，缩小初始分割结果的边界，确保前景种子点位于目标区域中。结果为图3(b)中标号6白色区域所示。
(b)膨胀操作得到背景种子点
选择圆盘状，半径为20～25个像素单位的结构元素连续进行膨 胀操作，得到背景种子点。在本发明中，只有视网膜浆液性色素上皮层脱离区域为目标区域，其余都为背景。背景一定不能包括前景，所以将初始分割结果扩大，剩下的黑色区域则为背景。结果为图3(c)中标号7黑色区域所示。
所述的自动分割使用图割算法对视网膜浆液性色素上皮脱离区域自动分割的实现过程一共包括2部分，其具体实施方式如下所示：
(a)设计图割算法的代价函数，E(total)＝E(region)+E(boundary)+E(shape)，其中E(total)代表总的代价，E(region)代表目标区域的代价，E(boundary)代表目标与背景的边界的代价，E(shape)代表形状代价；(代价定义如下：分割同种类物质代价大，分割不同种类物质代价小。因此，基于代价最小，可以将目标与背景区分开。)
(b)实现最大流最小割算法
输入已经用数学形态学算法获得的前景种子点、背景种子点,并设置区域权重值为100，边界权重值为50和形状权重值为50。基于(a)步骤中已经设计的代价函数E(total)最小的要求，实现图割算法，得到视网膜浆液性色素上皮层脱离区域分割的结果。分割结果如图4所示,标号8白色区域即为视网膜浆液性色素上皮层脱离区域。
视网膜色素上皮层与布鲁赫膜两层之间的区域为视网膜浆液性色素上皮层脱离区域。但由于噪声和病变视网膜图像分层错误的影响，可能会出现错误分割的情况，所以采用数学形态学方法对自动分割结果进行优化。所述的后处理的实现过程一共包括3部分，其具体实施 方式如下所示：
(a)选择AdaBoost分类器对视网膜浆液性色素上皮层脱离区域的形状和大小进行学习，并将分类器的学习结果作为设计结构元素的依据；因为选择合适的结构元素是实现数学形态学算法的关键步骤。
(b)设计了2种结构元素，即半径为6，高度为6的半球形结构元素和半径为3，高度为3的半球形结构元素；
由于视网膜浆液性色素上皮层脱离区域的形状、大小和个数都不确定，因此，基于单一结构元素的数学形态学算法并不能对多个病变区域的分割结果进行优化。因此，根据分类器的学习结果设计了2种结构元素，即半径为6，高度为6的半球形结构元素和半径为3，高度为3的半球形结构元素。
(c)自适应选择(b)中设计的某一种结构元素，执行腐蚀操作。可以去掉错误的自动分割结果，解决由于病变视网膜图像分层错误导致的错误分割结果。
在图5中，标号9白色区域为图割算法分割结果，标号10白色区域为用数学形态学算法优化后的结果。可以看出，图割算法得到的自动分割结果可能有错误分割的区域。因此，需要结合AdaBoost分类器的学习结果和在(b)步骤中设计好的结构元素，对自动分割结果进行优化。
总的来说，本发明有效地融合了图搜索，图割和数学形态学算法，实现了视网膜浆液性色素上皮层脱离区域的自动分割。而且可以为临床医生提供关于视网膜浆液性色素上皮层脱离区域的准确的定量信 息，包括形状，大小和位置，从而提高诊断和治疗的精准度。经过预处理，自动分割，后处理三个处理步骤后，对视网膜浆液性色素上皮层脱离区域的分割结果如图6所示，图6(a)为分割结果的二维显示，标号11白色区域为视网膜浆液性色素上皮层脱离区域；图6(b)为分割结果的三维显示，标号12白色区域为视网膜浆液性色素上皮层脱离区域。
以上显示和描述了本设计的基本原理、主要特征及优点。本行业的技术人员应该了解，本设计不受上述实施例的限制，上述实施例和说明书中描述的只是说明本设计的原理，在不脱离本设计精神和范围的前提下，本设计还会有各种变化和改进，这些变化和改进都落入要求保护的本设计范围内。本设计要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：包括以下步骤：
a.预处理：把光学相干断层扫描眼部成像仪获取的三维视网膜图像输入计算机，使用曲线异向扩散滤波方法对视网膜浆液性色素上皮层脱离的图像去噪；b.自动分割：首先，使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分层，得到色素上皮层脱离区域的初始分割结果；然后，使用数学形态学算法获得前景种子点、背景种子点；最后，使用图割算法对视网膜浆液性色素上皮脱离区域自动分割；c.后处理：使用数学形态学算法优化自动分割结果；
所述的自动分割使用图搜索算法对视网膜浆液性色素上皮层脱离的图像分层，得到初始结果的步骤为：
(11)分割内界膜；(12)分割视网膜内外层分界面；(13)分割色素上皮层；(14)利用凸包算法估计出布鲁赫膜；(15)将色素上皮层与布鲁赫膜两层之间的区域作为视网膜浆液性色素上皮层脱离区域的初始化分割结果；
所述的自动分割使用图割算法对视网膜浆液性色素上皮脱离区域自动分割步骤为：
(21)设计图割算法的代价函数，E(total)＝E(region)+E(boundary)+E(shape)；其中E(total)代表总的代价，E(region)代表目标区域的代价，E(boundary)代表目标与背景的边界的代价，E(shape)代表形状代价；
(22)基于(21)中已经设计好的能量函数E(total)最小的要求，实现最大流最小割算法。
2.如权利要求1所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的预处理步骤为：
使用曲线异向扩散滤波方法对视网膜浆液性色素上皮层脱离的图像去噪，其曲线扩散方程为：
可以去掉视网膜图片的散斑噪声，并保留图像的边界；其中，f是输入图像，ft是输出图像，▽是梯度算子，c是传导率变换函数。
3.如权利要求1所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的自动分割使用数学形态学算法获得前景种子点、背景种子点步骤为：
(31)腐蚀操作得到前景种子点；(32)膨胀操作得到背景种子点。
4.如权利要求1所述的视网膜浆液性色素上皮层脱离的自动分割方法，其特征在于：所述的后处理步骤为：
(41)采用AdaBoost分类器对视网膜浆液性色素上皮层脱离区域的形状和大小进行学习，并将分类器的学习结果作为设计结构元素的依据；
(42)设计了2种结构元素，即半径为6，高度为6的半球形结构元素和半径为3，高度为3的半球形结构元素；
(43)执行数学形态学算法中的腐蚀操作，去掉错误的自动分割结果。
CN201410810074.1A 2014-12-23 2014-12-23 视网膜浆液性色素上皮层脱离的自动分割方法 Active CN104574374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410810074.1A CN104574374B (zh) 2014-12-23 2014-12-23 视网膜浆液性色素上皮层脱离的自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410810074.1A CN104574374B (zh) 2014-12-23 2014-12-23 视网膜浆液性色素上皮层脱离的自动分割方法

Publications (2)

Publication Number Publication Date
CN104574374A CN104574374A (zh) 2015-04-29
CN104574374B true CN104574374B (zh) 2018-07-10

Family

ID=53090346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410810074.1A Active CN104574374B (zh) 2014-12-23 2014-12-23 视网膜浆液性色素上皮层脱离的自动分割方法

Country Status (1)

Country Link
CN (1) CN104574374B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105551038B (zh) * 2015-12-14 2018-11-30 苏州大学 一种基于三维oct图像的全自动分类及分割视网膜分支动脉阻塞的方法
CN105608694A (zh) * 2015-12-22 2016-05-25 苏州大学 视网膜细胞显微图像分割与计数方法
CN106934761A (zh) * 2017-02-15 2017-07-07 苏州大学 一种三维非刚性光学相干断层扫描图像的配准方法
CN107146211A (zh) * 2017-06-08 2017-09-08 山东师范大学 基于线扩散函数和双边滤波的视网膜血管图像降噪方法
CN116091451A (zh) * 2023-01-09 2023-05-09 中国科学院苏州生物医学工程技术研究所 视网膜色素上皮细胞图像分割方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109309A1 (en) * 2012-01-17 2013-07-25 Novita Therapeutics, Llc Expandable body device and method of use
CN104143087A (zh) * 2014-07-24 2014-11-12 苏州大学 基于sd-oct的挫伤性视网膜内外节缺失检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109309A1 (en) * 2012-01-17 2013-07-25 Novita Therapeutics, Llc Expandable body device and method of use
CN104143087A (zh) * 2014-07-24 2014-11-12 苏州大学 基于sd-oct的挫伤性视网膜内外节缺失检测方法

Also Published As

Publication number Publication date
CN104574374A (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
CN104574374B (zh) 视网膜浆液性色素上皮层脱离的自动分割方法
CN106600614B (zh) 基于凹凸性的sd-oct视网膜图像cnv分割方法
Abràmoff et al. Retinal imaging and image analysis
Akram et al. Automated detection of dark and bright lesions in retinal images for early detection of diabetic retinopathy
Xiong et al. An approach to evaluate blurriness in retinal images with vitreous opacity for cataract diagnosis
Quellec et al. Three-dimensional analysis of retinal layer texture: identification of fluid-filled regions in SD-OCT of the macula
Mary et al. An empirical study on optic disc segmentation using an active contour model
Xiang et al. Automatic retinal layer segmentation of OCT images with central serous retinopathy
CN108961261B (zh) 一种基于空间连续性约束的视盘区域oct图像层次分割方法
EP3530176B1 (en) 3d quantitative analysis of retinal layers with deep learning
Anantrasirichai et al. Adaptive-weighted bilateral filtering and other pre-processing techniques for optical coherence tomography
Al-Fahdawi et al. A fully automated cell segmentation and morphometric parameter system for quantifying corneal endothelial cell morphology
US9940722B2 (en) Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform
AU2019340215B2 (en) Methods and systems for ocular imaging, diagnosis and prognosis
CN104463140A (zh) 一种彩色眼底图像视盘自动定位方法
CN105787927A (zh) 视网膜眼底图像的渗出液检测方法
CN104318565B (zh) 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法
CN103854284B (zh) 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
CN109325955B (zh) 一种基于oct图像的视网膜分层方法
CN110415216A (zh) 基于sd-oct和octa视网膜图像的cnv自动检测方法
Gour et al. Challenges for ocular disease identification in the era of artificial intelligence
Akram et al. Blood vessel enhancement and segmentation using wavelet transform
CN106991660A (zh) 基于改进型八叉树分解的三维超声图像数据抽样方法
CN106384343A (zh) 一种基于形态学处理的硬性渗出区域检测方法
CN108665474B (zh) 一种基于b-cosfire的眼底图像视网膜血管分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20170809

Address after: 215011 No. 209 Chuk Yuen Road, Suzhou hi tech Development Zone, Jiangsu, Suzhou

Applicant after: Suzhou were Medical Technology Co. Ltd.

Address before: 215000 Suzhou Industrial Park, Jiangsu Road, No. 199

Applicant before: Soochow University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200611

Address after: 510000 No. 411, 412, 413, building F1, No. 39, Ruihe Road, Huangpu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou bigway Medical Technology Co.,Ltd.

Address before: 215011 No. 209 Chuk Yuen Road, Suzhou hi tech Development Zone, Jiangsu, Suzhou

Patentee before: SUZHOU BIGVISION MEDICAL TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right