CN104835150A - 一种基于学习的眼底血管几何关键点图像处理方法及装置 - Google Patents

一种基于学习的眼底血管几何关键点图像处理方法及装置 Download PDF

Info

Publication number
CN104835150A
CN104835150A CN201510196034.7A CN201510196034A CN104835150A CN 104835150 A CN104835150 A CN 104835150A CN 201510196034 A CN201510196034 A CN 201510196034A CN 104835150 A CN104835150 A CN 104835150A
Authority
CN
China
Prior art keywords
image
blood vessel
key point
image processing
point
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.)
Granted
Application number
CN201510196034.7A
Other languages
English (en)
Other versions
CN104835150B (zh
Inventor
李乔亮
顾其威
邓永春
梁平
谢林培
苏柔
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.)
Shenzhen Reetoo Biotechnology Co Ltd
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201510196034.7A priority Critical patent/CN104835150B/zh
Publication of CN104835150A publication Critical patent/CN104835150A/zh
Application granted granted Critical
Publication of CN104835150B publication Critical patent/CN104835150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于学习的眼底血管几何关键点图像处理方法及装置,其中,所述方法包括以下步骤:A、获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;B、通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。采用深度学习的方法分割视网膜血管图像,提高了寻找到合适的特征点的可靠性;分割血管图像后,运用基于几何显著性的血管标志点测度与图像处理方法,找出在眼底无赤光/造影图像中稳定存在、分布广泛且重复性高的特征点作为标志点;此方法可在眼底疾病图像处理、眼底激光手术影像中为眼科医生提供更可靠的技术支持。

Description

一种基于学习的眼底血管几何关键点图像处理方法及装置
技术领域
本发明涉及图像处理技术领域,尤其涉及的是一种基于学习的眼底血管几何关键点图像处理方法及装置。
背景技术
视网膜眼底图像是糖尿病、青光眼、高血压、冠心病等疾病诊断的重要依据,这些疾病发生后通常会导致视网膜血管形态发生变化,且视网膜病变特征与许多疾病的各期变化特征关联密切,因此研究视网膜眼底图像能为医务工作者诊断疾病提供重要依据。
眼底图像是眼底检查中非常重要的诊断资料,目前,对眼底图像的分析主要通过对眼底相机获取的图像进行,获取眼底图像后再交由眼底图像分析系统进行图像处理,具体通常体现为一款分析软件,实现对图像的分析和处理,以最终获得可用的图像。临床眼底检查中应用最为广泛的两类图像为无赤光(Red Free, RF)图像和荧光素血管造影(Fluoroscein Angiography, FA)图像,其中,无赤光图像是在眼底照相机内插入无赤光滤光片,去除照明光束中的长波光线后得到的图像,它在视网膜血管和背景的对比度上高于传统全色图像,目前主要用于检查视网膜表层。
如图4所示,为现有技术的配准关键点分布示意图,从图中可以看到,现有眼底图像处理技术中,对血管几何关键点的图像处理仅仅包括分叉点,交叉点等少量血管关键点,其信息量较少。现有技术中图像处理几何显著的血管关键点是在造影图像与眼底彩照图像上直接实现的,通过找出血管交叉点、分支点等实现两幅图像的关键点匹配。这种直接在两幅原图上进行血管关键点图像处理的方法有很大弊端:正常人的眼底图像是比较清晰的,造影图像与眼底彩照图像的关键点能够有很高的配准率;但当遇到有病变的眼底图像时,由于病变导致眼底图像中很多明显的血管交叉点、分支点和病变的部位连成一片,使得这种方法匹配的失误率极大,甚至不能够做到图像处理以得到有实用价值的血管关键点。因此,需要提高血管几何关键点图像处理匹配的准确性,由此现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种基于学习的眼底血管几何关键点图像处理方法及装置,旨在解决现有眼底图像处理和配准中血管几何关键点不足和难以在有严重病灶之眼底图像中找到病灶区域、精确配准等问题。
本发明的技术方案如下:
一种基于学习的眼底血管几何关键点图像处理方法,其中,所述方法包括以下步骤:
A、获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;
B、通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
所述基于学习的眼底血管几何关键点图像处理方法,其中,所述几何关键点包括在视网膜血管树图像上的血管局部弯曲转向点、血管曲率极值点、血管交叉点或血管分支点。
所述基于学习的眼底血管几何关键点图像处理方法,其中,所述步骤B具体包括:
B1、根据                                                依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
B2、判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
所述基于学习的眼底血管几何关键点图像处理方法,其中,所述步骤A中通过图连通算法对所述眼底图片树状图进行处理时,滤除点状病理结构部分,结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
一种基于学习的眼底血管几何关键点图像处理装置,其中,包括:
图片获取及处理模块,用于获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;
关键点图像处理模块,用于通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
所述基于学习的眼底血管几何关键点图像处理装置,其中,所述几何关键点包括血管局部弯曲转向点、血管曲率极值点、血管交叉点或血管分支点。
所述基于学习的眼底血管几何关键点图像处理装置,其中,所述关键点图像处理模块具体包括:
比较单元,用于根据依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
控制单元,用于判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
所述基于学习的眼底血管几何关键点图像处理装置,其中,所述图片获取及处理模块中通过图连通算法对所述眼底图片树状图进行处理时,滤除点状病理结构部分,结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
本发明所提供的一种基于学习的眼底血管几何关键点图像处理方法及装置,由于采用了深度学习的方法提取血管骨架图像,能够更准确地分割血管图像,提高了寻找到更多合适的特征点即关键点,并提高了关键点的可靠性;在提取血管骨架图像后,通过建立基于几何显著性的血管标志点测度与图像处理方法,找出在眼底无赤光/造影图像血管中稳定存在、分布广泛且重复性高的特征点作为标志点,提高了无赤光/造影图像间标志点判断的稳定性与可靠性。
附图说明
图1为本发明具体实施例的基于学习的眼底血管几何关键点图像处理方法的方法流程图。
图2为本发明具体实施例的基于学习的眼底血管几何关键点图像处理装置的结构框图。
图3为本发明具体实施例的各步骤几何关键点图像处理方法的处理结果示意图。
图4为现有技术的血管几何关键点分布示意图。
图5为本发明具体实施例的血管几何关键点分布示意图。
具体实施方式
本发明提供一种基于学习的眼底血管几何关键点图像处理方法及装置,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的一种基于学习的眼底血管几何关键点图像处理方法的具体实施例。所述方法包括以下步骤:
S100、获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像。
深度学习(deep learning),又叫特征学习(feature learning),是机器学习研究中的一个新领域,也是当前机器学习研究中引发学术界广泛关注的一个非常热门的课题。深度学习本质上属于多层神经网络学习模型,它通过模拟建立人脑的分层模型结构,能够对原始数据逐级提取出由底层到高层更加抽象的特征,这也就更好地构造了底层信号到高层语义的映射。
而基于特征学习的方法能够直接从原始图像进行特征提取,其中的经典算法卷积神经网络(Convolutional Neural Network, CNN),可被视为基于监督学习的一种优秀的特征提取器(supervised feature learner),其能够提取出复杂的具有尺度和旋转不变性的特征,而且所提取的特征具有一定的普适性。本发明将深度学习技术应用到眼底图像检索和处理中,应用了其非线性映射能力、自学习能力和自适应能力等,让神经网络像人脑那样自己根据图像的内容去学习其底层视觉特征。
S200、通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
本发明所述基于学习的眼底血管几何关键点图像处理方法,其中,所述步骤S200具体包括:首先,根据依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数。
其中是当前像素的邻域上曲率方向直方图第个柱采样点的个数。较高表示小尺度上血管的局部曲率方向弥散程度高。该测度的弥散参数可调节,这样能满足数量的要求。
以Lindeberg提出的多尺度blob检测算子为理论原型,引入了局部曲率参数控制,同时基于熵理论设计曲率方向的弥散描述项,将以上方面结合,建立了高效可靠的标志点显著性测度。
本发明方法中还判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过,则获取当前像素的位置,并保存;若未超过,则不保存。由此,本发明方法可以获取局部曲率方向弥散程度达到阈值的关键点,从而方便确定图像中的关键点。
具体地,所述步骤S100中通过图连通算法对所述眼底图片树状图进行处理时,先滤除点状病理结构部分,然后再结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
当得到学习后的树状图后,经过图连通算法得到比较清晰的树状图(也即视网膜血管树图像)。经过深度学习提取视眼底图像树状图的血管特征基本轮廓已经被凸显出来,但还可能存在一些眼底图像边界和病变边界干扰。对于正常的视网膜图像,已经基本可以提取出血管骨架图像,但由于视网膜边缘没有被抑制,对于存在病变影响较大的眼底图像,则还可能存在大量图像上的噪声信号。利用图连通算法,滤除点状病理结构部分,如玻璃膜疣等的影响,并进一步结合形态学算子去除小半径的孤立岛屿,即可在获得血管结构所在的图像子区域的同时,采用图像掩模方法去除视网膜边缘。
在本发明的图连通算法的权重值计算中,计算连通域边缘节点间的权重和节点-区域空间约束引起的权重为,其中为空间关系影响因子,为图连通算法的权值,为利用了空间区域近邻关系所得的权值,定义
(1)
节点与区域之间的距离定义为 :
             (2)
其中pi为在初始化时灰度相同的像素,每个子图中包含多个不连通但灰度相同的区域Hk,Nk表示区域Hk包含的节点个数,pn表示区域中的第n个节点。
如图3所示,为采用本发明所述方法实现寻找特征点方法的各步骤处理结果示意图。实现的整体流程具体为:
首先,通过深度学习的方法分割视网膜图像从而提取眼底彩照图像(如A1)的眼底图像树状图。获得结果A2。
其次,当得到学习后的树状图后,经过图连通算法处理后得到比较清晰的视网膜血管树图像。获得结果A3。
   事实上,在经过深度学习后,提取视网膜血管特征的基本轮廓已经被凸显出来,但还可能存在一些眼底图像边界和病变边界干扰,此时就需要进行图连通算法处理操作。
最后,本发明方法通过曲率熵弥散的计算,就能得到血管几何显著性特征与局部曲率半径、曲率方向及其弥散程度等血管的特征标志点测度。研究标志点探测的邻域尺度、阈值门限,找出几何显著的血管标志点,分析标志点的不变性及在无赤光/造影图像间的重复性,最终,通过关键点图像处理的匹配实现原图和造影图像间的配准,获得结果A4。
所述步骤S200中在进行曲率熵弥散的计算时,具体的过程如下:
步骤S201、根据依次获取视网膜血管树图像中各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
步骤S202、判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
本发明所述基于学习的眼底血管几何关键点图像处理方法中,其一是采用了深度学习的方法提取血管骨架图像,其二是根据几何学相关理论,血管上述特征都与血管的局部曲率半径、曲率方向及其弥散程度直接相关,本发明方法以Lindeberg提出的多尺度blob图像处理算子为理论原型,引入了局部曲率参数控制,同时基于熵理论设计曲率方向的弥散描述项,建立了高效可靠的标志点显著性测度,从而提高了无赤光/造影图像间标志点图像处理和确定的有效性、实用性、准确性与可靠性。
本发明同时还提供了一种基于学习的眼底血管几何关键点图像处理装置,如图2所示,为本发明的具体实施例,本发明所述装置包括:
图片获取及处理模块100,用于获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;
关键点图像处理模块200,用于通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
更具体地,所述几何关键点包括在视网膜血管树图像中的血管局部弯曲转向点、血管曲率极值点、血管交叉点或血管分支点,这些点都应作为本发明获取和标记配准的关键点。
较佳地,所述关键点图像处理模块200具体包括:比较单元210,用于根据依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
控制单元220,用于判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
具体地,所述图片获取及处理模块中通过图连通算法对所述眼底图片树状图进行处理时,滤除点状病理结构部分,结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
综上所述,本发明提供的一种基于学习的眼底血管几何关键点图像处理方法及装置,具体可以体现为一套眼底图像处理分析系统软件,或者,一独立设置辅助医疗的眼底图像处理分析仪器及其软件系统,本发明方法及装置由于采用了深度学习的方法提取血管骨架图像,能够更准确地提取血管图像,提高了寻找到合适的特征点的可靠性和实用性。在提取血管骨架图像后,本发明方法及装置建立基于几何显著性的血管标志点测度与图像处理方法,找出在眼底无赤光/造影图像中稳定存在、分布广泛且重复性高的特征点作为标志点,提高了无赤光/造影图像间标志点图像处理的重复性、有用性与可靠性,从而提高眼底视网膜图像的配准稳健性。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于学习的眼底血管几何关键点图像处理方法,其特征在于,所述方法包括以下步骤:
A、获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;
B、通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
2.根据权利要求1所述基于学习的眼底血管几何关键点图像处理方法,其特征在于,所述几何关键点包括在视网膜血管树图像上的血管局部弯曲转向点、血管曲率极值点、血管交叉点或血管分支点。
3.根据权利要求1所述基于学习的眼底血管几何关键点图像处理方法,其特征在于,所述步骤B具体包括:
B1、根据                                                依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预先设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
B2、判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
4.根据权利要求1所述基于学习的眼底血管几何关键点图像处理方法,其特征在于,所述步骤A中通过图连通算法对所述眼底图片树状图进行处理时,滤除点状病理结构部分,结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
5.一种基于学习的眼底血管几何关键点图像处理装置,其特征在于,包括:
图片获取及处理模块,用于获取眼底图像,根据深度学习算法获取眼底图像树状图,并将所述树状图进行图连通算法处理,得到视网膜血管树图像;
关键点图像处理模块,用于通过计算曲率熵弥散获取并存储视网膜血管树图像中的多个几何关键点位置。
6.根据权利要求5所述基于学习的眼底血管几何关键点图像处理装置,其特征在于,所述几何关键点包括血管局部弯曲转向点、血管曲率极值点、血管交叉点或血管分支点。
7.根据权利要求5所述基于学习的眼底血管几何关键点图像处理装置,其特征在于,所述关键点图像处理模块具体包括:
比较单元,用于根据依次获取视网膜血管树各像素的局部曲率方向弥散程度参数值,并与预设设置的局部曲率方向弥散程度阈值进行比较;其中,E(p)为当前像素p的局部曲率方向弥散程度参数值,hp(i)是当前像素p的邻域上曲率方向直方图第i个柱采样点的个数,i为正整数;
控制单元,用于判断各像素的局部曲率方向弥散程度参数值是否超过所述局部曲率方向弥散程度阈值,若超过时则获取当前像素的位置,并保存;若未超过,则不保存。
8.根据权利要求5所述基于学习的眼底血管几何关键点图像处理装置,其特征在于,所述图片获取及处理模块中通过图连通算法对所述眼底图片树状图进行处理时,滤除点状病理结构部分,结合形态学算子去除小半径的孤立岛屿区域,获得血管结构所在的图像子区域,并采用图像掩模方法去除视网膜边缘图像,得到清晰的视网膜血管树图像。
CN201510196034.7A 2015-04-23 2015-04-23 一种基于学习的眼底血管几何关键点图像处理方法及装置 Active CN104835150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510196034.7A CN104835150B (zh) 2015-04-23 2015-04-23 一种基于学习的眼底血管几何关键点图像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510196034.7A CN104835150B (zh) 2015-04-23 2015-04-23 一种基于学习的眼底血管几何关键点图像处理方法及装置

Publications (2)

Publication Number Publication Date
CN104835150A true CN104835150A (zh) 2015-08-12
CN104835150B CN104835150B (zh) 2018-06-19

Family

ID=53813015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510196034.7A Active CN104835150B (zh) 2015-04-23 2015-04-23 一种基于学习的眼底血管几何关键点图像处理方法及装置

Country Status (1)

Country Link
CN (1) CN104835150B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548491A (zh) * 2016-09-30 2017-03-29 深圳大学 一种图像配准方法、其图像融合方法及其装置
CN106682389A (zh) * 2016-11-18 2017-05-17 武汉大学 一种用于监控高血压引发的眼部病变健康管理系统
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN108095683A (zh) * 2016-11-11 2018-06-01 北京羽医甘蓝信息技术有限公司 基于深度学习的处理眼底图像的方法和装置
CN108917591A (zh) * 2018-04-27 2018-11-30 中国铁道科学研究院集团有限公司基础设施检测研究所 一种动态行车环境下的钢轨轮廓自动配准方法及装置
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置
CN110176297A (zh) * 2019-05-24 2019-08-27 南京博视医疗科技有限公司 一种智能眼底激光手术辅助诊断系统及其方法
CN110503097A (zh) * 2019-08-27 2019-11-26 腾讯科技(深圳)有限公司 图像处理模型的训练方法、装置及存储介质
WO2020061972A1 (zh) * 2018-09-27 2020-04-02 电子科技大学 一种基于卷积神经网络的糖尿病视网膜病变诊断技术
CN111047590A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像的高血压分类方法及设备
CN111902071A (zh) * 2018-01-19 2020-11-06 学校法人庆应义塾 诊断辅助装置、学习装置、诊断辅助方法、学习方法及程序

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2018008165A (es) * 2018-06-29 2019-12-30 Centro De Retina Medica Y Quirurgica S C Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial.

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7505142B2 (en) * 2004-12-02 2009-03-17 University Of Miami Enhanced optical coherence tomography for anatomical mapping
CN101593351A (zh) * 2008-05-28 2009-12-02 中国科学院自动化研究所 基于距离变换和刚性变换参数估计的眼底图像配准方法
CN103006175A (zh) * 2012-11-14 2013-04-03 天津工业大学 一种基于相位一致性的眼底图像视盘定位方法
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7505142B2 (en) * 2004-12-02 2009-03-17 University Of Miami Enhanced optical coherence tomography for anatomical mapping
CN101593351A (zh) * 2008-05-28 2009-12-02 中国科学院自动化研究所 基于距离变换和刚性变换参数估计的眼底图像配准方法
CN103006175A (zh) * 2012-11-14 2013-04-03 天津工业大学 一种基于相位一致性的眼底图像视盘定位方法
CN103544686A (zh) * 2013-10-25 2014-01-29 天津工业大学 基于相位一致性的眼底图像微动脉瘤检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUANGLING WANG等: ""Hierarchical retinal blood vessel segmentation based on feature and ensemble learning"", 《NEUROCOMPUTING》 *
赵晓芳等: ""视网膜血管图像特征点自动提取和分类"", 《计算机工程与应用》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548491A (zh) * 2016-09-30 2017-03-29 深圳大学 一种图像配准方法、其图像融合方法及其装置
CN106548491B (zh) * 2016-09-30 2019-09-27 深圳大学 一种图像配准方法、其图像融合方法及其装置
CN108095683A (zh) * 2016-11-11 2018-06-01 北京羽医甘蓝信息技术有限公司 基于深度学习的处理眼底图像的方法和装置
CN106682389A (zh) * 2016-11-18 2017-05-17 武汉大学 一种用于监控高血压引发的眼部病变健康管理系统
CN106682389B (zh) * 2016-11-18 2019-01-15 武汉大学 一种用于监控高血压引发的眼部病变健康管理系统
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN107292887B (zh) * 2017-06-20 2020-07-03 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN111902071A (zh) * 2018-01-19 2020-11-06 学校法人庆应义塾 诊断辅助装置、学习装置、诊断辅助方法、学习方法及程序
CN108917591A (zh) * 2018-04-27 2018-11-30 中国铁道科学研究院集团有限公司基础设施检测研究所 一种动态行车环境下的钢轨轮廓自动配准方法及装置
WO2020061972A1 (zh) * 2018-09-27 2020-04-02 电子科技大学 一种基于卷积神经网络的糖尿病视网膜病变诊断技术
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置
CN110176297B (zh) * 2019-05-24 2020-09-15 南京博视医疗科技有限公司 一种智能眼底激光手术辅助诊断系统
CN110176297A (zh) * 2019-05-24 2019-08-27 南京博视医疗科技有限公司 一种智能眼底激光手术辅助诊断系统及其方法
CN110503097A (zh) * 2019-08-27 2019-11-26 腾讯科技(深圳)有限公司 图像处理模型的训练方法、装置及存储介质
CN111047590A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像的高血压分类方法及设备

Also Published As

Publication number Publication date
CN104835150B (zh) 2018-06-19

Similar Documents

Publication Publication Date Title
CN104835150A (zh) 一种基于学习的眼底血管几何关键点图像处理方法及装置
WO2021068523A1 (zh) 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
Tan et al. Segmentation of optic disc, fovea and retinal vasculature using a single convolutional neural network
CN109325942B (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN107369160A (zh) 一种oct图像中脉络膜新生血管分割算法
Zulkifley et al. Pterygium-Net: a deep learning approach to pterygium detection and localization
CN112465772B (zh) 眼底彩照图像血管评估方法、装置、计算机设备和介质
CN102844766A (zh) 基于人眼图像的多特征融合身份识别方法
CN105913075A (zh) 一种基于脉冲耦合神经网络的内窥图像中病灶识别方法
WO2013184070A1 (en) A drusen lesion image detection system
Fu et al. Optic disc segmentation by U-net and probability bubble in abnormal fundus images
Zhu et al. Digital image processing for ophthalmology: Detection of the optic nerve head
Orabona et al. A proto-object based visual attention model
CN109256207A (zh) 一种基于XGBoost+SVM混合机器学习诊断圆锥角膜病例的方法
Yang et al. Artificial intelligence in ophthalmopathy and ultra-wide field image: A survey
CN104299242A (zh) 基于ngc-acm的荧光造影眼底图像提取方法
Yu et al. A framework for hierarchical division of retinal vascular networks
Ali et al. Glaucoma detection based on local binary patterns in fundus photographs
Xu et al. Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images
CN105095840A (zh) 基于眼震影像的多方向上眼震信号提取方法
Guo et al. Automatic retinal image registration using blood vessel segmentation and SIFT feature
Huang et al. Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach
Zhang et al. MC-UNet multi-module concatenation based on U-shape network for retinal blood vessels segmentation
CN111938567B (zh) 基于深度学习的眼科参数测量方法、系统及设备
CN112581439A (zh) 基于视网膜结构的黄斑区定位系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210701

Address after: 518000 F406, building F, Huafeng International Robot Industrial Park, Hangcheng Avenue, Nanchang community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province

Patentee after: SHENZHEN REETOO BIOTECHNOLOGY Co.,Ltd.

Address before: 518060 No. 3688 Nanhai Road, Shenzhen, Guangdong, Nanshan District

Patentee before: SHENZHEN University