CN106530294A - 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 - Google Patents
一种对睑板腺图像进行处理以获得腺体参数的信息的方法 Download PDFInfo
- Publication number
- CN106530294A CN106530294A CN201610974639.9A CN201610974639A CN106530294A CN 106530294 A CN106530294 A CN 106530294A CN 201610974639 A CN201610974639 A CN 201610974639A CN 106530294 A CN106530294 A CN 106530294A
- Authority
- CN
- China
- Prior art keywords
- gland
- image
- meibomian
- central
- glands
- 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
- 210000004907 gland Anatomy 0.000 title claims abstract description 123
- 210000004175 meibomian gland Anatomy 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 title abstract description 3
- 210000000744 eyelid Anatomy 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims description 10
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims 1
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 8
- 230000008034 disappearance Effects 0.000 description 6
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 4
- 206010013774 Dry eye Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 206010065062 Meibomian gland dysfunction Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000000457 tarsus Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (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)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提出一种对睑板腺图像进行处理以获得腺体的信息的方法，包括以下步骤：获取睑板腺图像，手动勾画出睑板腺图像中腺体的区域和睑板腺的区域；通过图像Convolution‑Highlight Detail算子增强腺体的轮廓，区分腺体和眼睑；通过图像Threshold算子调整参数值，提取出腺体；通过morphology算子进一步区分腺体，使每一条腺体都能清楚地分割，计算中央腺体的面积；手动勾画中央腺体的长度，自动计算腺体的平均长度，从而获得腺体的信息。采用该方法能够对睑板腺图片进行量化分析，准确计算缺失百分比，中央腺体均值等信息。同时该方法能准确区分每条腺体，为使用者提供精确的数据，进一步为MGD临床诊断提供科学的依据。
Description
技术领域
本发明涉及图像处理领域，更具体地，涉及一种对睑板腺图像进行处理以获得腺体参数信息的方法。
背景技术
1982年Gutgesell等首次提出睑板腺功能障碍(meibomian glands dysfunction，MGD)的概念。国内的眼科专著中，也早就提及过睑板腺功能障碍这种疾病。随着国际MGD工作组发表了一系列有关MGD的综述，MGD与干眼的关系得到了进一步认识，有关MGD基础与临床研究的文章也逐年增多，MGD是蒸发过强型干眼的主要原因已是普遍的共识。睑缘炎和MGD是两个独立的疾病，但又相互密切关联。MGD是后睑缘炎的主要病因之一，而后睑缘炎会直接或间接地影响睑板腺口的结构及睑脂分泌，从而导致或加重MGD，所以两者可互为因果。
到目前为止，虽然睑缘炎与MGD受到了临床的普通关注，但是在许多相关的临床问题上，并没有达成共识，譬如睑缘炎的临床诊断标准与治疗规范、MGD的分类及诊断标准等。因此，精确的睑板腺腺体参数分析，可帮助MGD的临床诊断及分级。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种对睑板腺图像进行处理以获得腺体的信息的方法，该方法针对睑板腺腺体的结构，能有效提取睑板腺的轮廓，更准确地计算缺失的面积。
为解决上述技术问题，本发明的技术方案如下：
一种对睑板腺图像进行处理以获得腺体的信息的方法，主要包括以下步骤：
S1、获取睑板腺图像，手动勾画出睑板腺图像中腺体的区域和睑板腺的区域；
S2、通过图像Convolution-Highlight Detail算子增强腺体的轮廓，区分腺体和眼睑组织；
S3、通过图像Threshold算子调整参数，提取出腺体；
S4、通过morphology算子进一步区分腺体，使每一条腺体都能清楚地分割，计算中央腺体的面积；
S5、手动勾画中央腺体的长度，自动计算腺体的平均长度，从而获得腺体的信息。
基于上述技术方案，本发明的方法可以清晰区分腺体和睑板，准确提取腺体的轮廓，计算腺体面积，缺失面积和中央腺体平均面积(在实施过程中，通过图像分析可以获得腺体区域，缺失区域和中央腺体区域的像素个数，根据Oculus Keratograph 5M对焦1mm精度的标定板所得到的图像，计算出一个像素点对应实际长度为0.025434mm，对应面积为0.0006469mm2，根据比例即可算出腺体面积，腺体长度，缺失面积和中央腺体平均面积)；手动勾画腺体，并自动计算出所勾画腺体的长度以及平均长度。
优选的，所述步骤S4后还包括当无法自动分割腺体(如图像对焦不清，图像成像模糊，腺体轮廓不清的图片时)，即无法自己分割出每条腺体的轮廓，则手动将连接的干扰部分切断，确保中央腺体轮廓分明并清晰可见。
优选的，腺体的灰度值比眼睑的灰度值要高，而且每条腺体的中央灰度是该条腺体灰度的最高值而眼睑的部分灰度最低。所述步骤S2通过图像Convolution-HighlightDetail算子增强腺体的轮廓，区分腺体和眼睑的具体过程为：使用Convolution-HighlightDetail算子，以腺体中央最高灰度值的部位向周边加强灰度，同时眼睑的部位向周边减少灰度，最后得到一张腺体部分呈白色，眼睑部分呈黑色的图片。
优选的，所述步骤S3通过图像Threshold算子调整参数，提取出腺体；其具体过程为：
调节Threshold算子的参数，提取出睑板腺的部分。是通过阈值参数为临界值，高于临界值的灰度像素赋值为255，低于临界值的灰度像素赋值为0。通过这方式，可以把通过Convolution-Highlight Detail处理后的图片中，被加强灰度的部分，也就是睑板腺，提取出来。
优选的，所述步骤S4通过morphology算子进一步区分腺体，其实现过程为：分别是腐蚀，过滤，膨胀。
腐蚀：形态学中用于除去图像的某些部分的方法。通过对图像进行腐蚀，可以明显看到睑板腺的轮廓变窄，且有部分原来粘连的部分断开。
过滤：用于分离大目标和小目标的方法。顾名思义，需要的就是去除一些较小的目标，因为这些小的目标是干扰点。
膨胀：通过过滤后，需要还原睑板腺原来的大小，对用腐蚀，使用膨胀来还原；最后就可以得到清晰的睑板腺轮廓。
本发明还能够自动的调节参数，使该方法适应各种人群的睑板腺分析。根据所勾画的睑板腺区域自动计算出中央腺体的位置(具体的，在勾画腺体区域时，系统会记录区域的最两端的坐标，计算出中央坐标。一般情况下，中央五腺体的面积占比对诊断有很大意义。经过计算，大部分人中央五腺体区域的宽为4mm，所以计算出中央坐标后，以中点向左右两边扩展2mm，中央区域共4mm宽度的截取，当然也可以根据研究的需要，截取的宽度可以调节)，如位置不太符合，也可手动调节(在拍摄睑板腺的时候，需要测试者头部放正放平，使用者移动镜头至测试者的眼睑中央，焦点中心对准睑板腺的中央位置，前后调节至对焦清晰，捕捉。如眼睑不在中央，测试者头部不正所捕捉的图片都视为位置不符合。眼睑偏位的，勾画出来的睑板腺区域不一定是实际区域，有可能以为偏位导致缺失，所以计算出来的中央区域有所偏差。这时候可以调节中央区域的位置，使得截取的区域是中央腺体)。
与现有技术相比，本发明技术方案的有益效果是：
1、适用范围广，不仅能有针对Oculus Keratograph 5M所导出的睑板腺图片进行分析的模式，还能导入其他途径获取的睑板腺图片进行分析。
2、采用该方法对多个患者的睑板腺图像进行分析，可以将患者信息以及数据一同捆绑记录，并且能获得患者的腺体面积，腺体占比，中央腺体面积，中央腺体占比，腺体长度这5个信息。对比目前已有的Image J分析方法，该方法缩短操作与分析的耗时，完善了数据的统计功能，减少了人工重复的计算步骤，有效提高工作效率。
附图说明
图1为本发明方法的实现流程图。
图2为使用本发明方法实现的软件实现程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种对睑板腺图像进行处理以获得腺体的信息的方法，该方法既适用于OculusKeratograph 5M所导出的睑板腺图片，又能适用于其他仪器所获取的睑板腺图片。输入测试者信息眼别，以便于分析结果捆绑一同输出，方便使用者统计。根据拍照的情况，提供多参数调节，更好地提取腺体的轮廓。遇到腺体黏连无法单独区分时，使用手动切割将更好区分每条腺体，提供更准确的数据。该方法具有针对性，能准确区分每条腺体，腺体与腺体之间的区域也能准确计算。其最主要是针对腺体，有专门的图像处理方式，并多项数据一同导出。
如图1，一种对睑板腺图像进行处理以获得腺体的信息的方法，主要包括以下步骤：
a.先手动勾画出腺体的大概面积，以便去除睫毛，反光等影响；
b.通过图像Convolution-Highlight Detail算子：
其中g＝f*h，增强腺体的轮廓，使得腺体和眼睑更容易区分；
c.通过图像Threshold算子，
调整阈值参数，把腺体提取出来；
d.通过morphology算子，
腐蚀：
膨胀：
(f⊙b)(s，t)＝min{f(s+x，t+y)+b(x，y)|
(s+x，t+y)∈Df，(x，y)∈Db} 4)
把腺体更好的区分，每一条都能清楚地分割，更好地统计中央腺体的面积；
e.如果仍有系统无法自动分割的腺体，手动把连接的干扰部分切断，使得中央腺体清晰可见，轮廓分明；
f.手动勾画中央腺体的长度，提供多腺体长度勾画，自动计算平均长度。
本发明能够精准计算腺体面积，缺失面积和中央腺体平均面积。具有测试者信息及眼别输入，手动区分腺体，测量腺体长度以及数据导出功能。
如图2所示，本实施例提供的一种对睑板腺图像进行处理以获得腺体的信息的方法，具体操作步骤如下：
①打开Oculus Keratograph 5M或者其他睑板腺图片，并且输入测试者的姓名，年龄，性别以及眼别。
②在已打开的睑板腺图片上手动勾画出腺体的区域和睑板腺的区域，分别点击区域确定。
③调节二值化阈值参数，使腺体清晰显示，互不黏连。
④对于中央部分无法自动区分的腺体，使用手动切割，在腺体处理图把黏连的地方进行切割，使得中央腺体互不黏连。
⑤手动勾画中央腺体的长度，按Ctrl可以进行复选，各腺体长度和平均长度系统将会自动计算。
⑥点击导出，腺体面积长度，占比数据将保存在程序根目录下results.xls。
已有使用Image J分别勾画出睑板腺的总区域和缺失的区域，计算出百分比。这方法存在的确定有：1、勾画需要十分仔细，不然缺失百分比不精确；2、腺体与腺体之间的空隙区域无法区别；3、没有统计功能，分析者需要边勾画边自行记录；4、无法计算腺体的实际长度和面积。
粗略勾画上眼脸的区域(如果图像模糊才需要粗略勾画腺体轮廓)，通过图像分析，自动提取出腺体的部分，快速计算出睑板腺图像数据，为MGD的诊断提供参考。该方法的优势：1、操作简单，得到的图像数据多；2、腺体提取精准，给出的缺失率的更准确；3、具有统计功能，能记录测试者的信息和时间，方便分析者查看和统计；4、能计算出腺体的实际面积和长度，提供中心腺体的计算，为MGD的诊断提供更重要的参考信息。
正常人与干眼症患者的睑板腺信息对比表
正常人与干眼症患者的睑板腺信息对比
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种对睑板腺图像进行处理以获得腺体的信息的方法，其特征在于，主要包括以下步骤：
S1、获取睑板腺图像，手动勾画出睑板腺图像中腺体的区域和睑板腺的区域；
S2、通过图像Convolution-Highlight Detail算子增强腺体的轮廓，区分腺体和眼睑；
S3、通过图像Threshold算子调整参数值，提取出腺体；
S4、通过morphology算子进一步区分腺体，使每一条腺体都能清楚地分割，计算中央腺体的面积；
S5、手动勾画中央腺体的长度，自动计算腺体的平均长度，从而获得腺体的信息。
2.根据权利要求1所述的方法，其特征在于，所述步骤S4后还包括当无法自动分离腺体，即无法分割出每条腺体的轮廓，则手动将粘连的干扰部分切断，确保中央腺体轮廓分明并清晰可见。
3.根据权利要求1所述的方法，其特征在于，所述步骤S2通过图像Convolution-Highlight Detail算子增强腺体的轮廓，区分腺体和眼睑的具体过程为：使用Convolution-Highlight Detail算子，以腺体中央最高灰度值的部位向周边加强灰度，同时眼睑的部位向周边减少灰度，最后得到一张腺体部分呈白色，眼睑部分呈黑色的图片。
4.根据权利要求1所述的方法，其特征在于，所述步骤S3通过图像Threshold算子调整参数，提取出腺体；其具体过程为：将阈值参数作为临界值，高于临界值的灰度像素赋值为255，低于临界值的灰度像素赋值为0，通过这方式，能够把通过Convolution-HighlightDetail处理后的图片中，被加强灰度的部分，也就是睑板腺，提取出来。
5.根据权利要求1所述的方法，其特征在于，所述步骤S4通过morphology算子进一步区分腺体，其实现过程为：分别是腐蚀，过滤，膨胀。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610974639.9A CN106530294A (zh) | 2016-11-04 | 2016-11-04 | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610974639.9A CN106530294A (zh) | 2016-11-04 | 2016-11-04 | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106530294A true CN106530294A (zh) | 2017-03-22 |
Family
ID=58349806
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610974639.9A Pending CN106530294A (zh) | 2016-11-04 | 2016-11-04 | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106530294A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064468A (zh) * | 2018-08-23 | 2018-12-21 | 上海市儿童医院 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
| CN109087310A (zh) * | 2018-07-24 | 2018-12-25 | 深圳大学 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
| CN109599166A (zh) * | 2018-11-28 | 2019-04-09 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的睑板腺红外图像辅助识别系统及方法 |
| CN109785321A (zh) * | 2019-01-30 | 2019-05-21 | 杭州又拍云科技有限公司 | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 |
| CN111145155A (zh) * | 2019-12-26 | 2020-05-12 | 上海美沃精密仪器股份有限公司 | 一种睑板腺腺体的识别方法 |
| CN111528789A (zh) * | 2020-05-27 | 2020-08-14 | 复旦大学附属眼耳鼻喉科医院 | 一种对睑板腺腺体清晰度评估的图像检测方法 |
| CN113080843A (zh) * | 2021-03-25 | 2021-07-09 | 中山大学中山眼科中心 | 一种基于睑板腺图像的腺体提取方法及量化分析方法 |
| CN113240657A (zh) * | 2021-05-25 | 2021-08-10 | 河南中全科技有限公司 | 一种基于医疗大数据的眼睑炎图像处理及预警系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104185858A (zh) * | 2012-01-18 | 2014-12-03 | 新加坡科技研究局 | 睑板腺成像的计算方法和装置 |
| CN105996986A (zh) * | 2016-04-21 | 2016-10-12 | 厦门大学 | 一种基于多光谱检测人眼睑板腺模型的装置及其方法 |
-
2016
- 2016-11-04 CN CN201610974639.9A patent/CN106530294A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104185858A (zh) * | 2012-01-18 | 2014-12-03 | 新加坡科技研究局 | 睑板腺成像的计算方法和装置 |
| CN105996986A (zh) * | 2016-04-21 | 2016-10-12 | 厦门大学 | 一种基于多光谱检测人眼睑板腺模型的装置及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| YANG WEI KOH等: "Detection of meibomian glands and classification of meibography images", 《JOURNAL OF BIOMEDICAL OPTICS》 * |
| 李萌萌等: "睑板腺红外线成像装置两种图像分析方法的比较", 《中国现代医药杂志》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087310A (zh) * | 2018-07-24 | 2018-12-25 | 深圳大学 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
| CN109087310B (zh) * | 2018-07-24 | 2022-07-12 | 深圳大学 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
| CN109064468A (zh) * | 2018-08-23 | 2018-12-21 | 上海市儿童医院 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
| CN109064468B (zh) * | 2018-08-23 | 2021-07-06 | 上海市儿童医院 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
| CN109599166A (zh) * | 2018-11-28 | 2019-04-09 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的睑板腺红外图像辅助识别系统及方法 |
| CN109785321A (zh) * | 2019-01-30 | 2019-05-21 | 杭州又拍云科技有限公司 | 基于深度学习和Gabor滤波器的睑板腺区域提取方法 |
| CN111145155A (zh) * | 2019-12-26 | 2020-05-12 | 上海美沃精密仪器股份有限公司 | 一种睑板腺腺体的识别方法 |
| CN111145155B (zh) * | 2019-12-26 | 2023-05-26 | 上海美沃精密仪器股份有限公司 | 一种睑板腺腺体的识别方法 |
| CN111528789A (zh) * | 2020-05-27 | 2020-08-14 | 复旦大学附属眼耳鼻喉科医院 | 一种对睑板腺腺体清晰度评估的图像检测方法 |
| CN113080843A (zh) * | 2021-03-25 | 2021-07-09 | 中山大学中山眼科中心 | 一种基于睑板腺图像的腺体提取方法及量化分析方法 |
| CN113240657A (zh) * | 2021-05-25 | 2021-08-10 | 河南中全科技有限公司 | 一种基于医疗大数据的眼睑炎图像处理及预警系统 |
| CN113240657B (zh) * | 2021-05-25 | 2023-12-22 | 郑州新益华信息科技有限公司 | 一种基于医疗大数据的眼睑炎图像处理及预警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106530294A (zh) | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 | |
| CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
| CN110010219B (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
| Sarathi et al. | Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images | |
| Tavakoli et al. | A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| Zhang et al. | Detection of microaneurysms using multi-scale correlation coefficients | |
| Harangi et al. | Automatic detection of the optic disc using majority voting in a collection of optic disc detectors | |
| CN106530279A (zh) | 一种图像处理方法及系统 | |
| US7248728B2 (en) | Abnormal shadow detecting system | |
| CN106780465A (zh) | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 | |
| 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 | |
| Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
| CN112069986A (zh) | 高龄老人眼动机器视觉跟踪方法及装置 | |
| Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
| Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
| Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
| Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
| Giancardo et al. | Quality assessment of retinal fundus images using elliptical local vessel density | |
| Roy et al. | Detection of retinal microaneurysms using fractal analysis and feature extraction technique | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Ramasubramanian et al. | A novel approach for automated detection of exudates using retinal image processing | |
| Aloudat et al. | Histogram analysis for automatic blood vessels detection: First step of IOP | |
| CN110751064A (zh) | 基于图像处理的眨眼次数分析方法和系统 | |
| CN111210436A (zh) | 晶状体分割方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20170322 |