CN107122597A - 一种角膜受损智能诊断系统 - Google Patents

一种角膜受损智能诊断系统 Download PDF

Info

Publication number
CN107122597A
CN107122597A CN201710237618.3A CN201710237618A CN107122597A CN 107122597 A CN107122597 A CN 107122597A CN 201710237618 A CN201710237618 A CN 201710237618A CN 107122597 A CN107122597 A CN 107122597A
Authority
CN
China
Prior art keywords
region
extraction
module
area
impaired
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
CN201710237618.3A
Other languages
English (en)
Other versions
CN107122597B (zh
Inventor
唐晓颖
邓丽洁
袁进
黄海香
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.)
SYSU CMU Shunde International Joint Research Institute
National Sun Yat Sen University
Zhongshan Ophthalmic Center
Original Assignee
SYSU CMU Shunde International Joint Research Institute
National Sun Yat Sen University
Zhongshan Ophthalmic Center
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 SYSU CMU Shunde International Joint Research Institute, National Sun Yat Sen University, Zhongshan Ophthalmic Center filed Critical SYSU CMU Shunde International Joint Research Institute
Priority to CN201710237618.3A priority Critical patent/CN107122597B/zh
Publication of CN107122597A publication Critical patent/CN107122597A/zh
Application granted granted Critical
Publication of CN107122597B publication Critical patent/CN107122597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Eye Examination Apparatus (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种角膜受损智能诊断系统，包括：用于采集患者角膜荧光染色图像的图像采集模块；用于在采集的角膜染色图像中提取角膜区域的角膜区域提取模块；用于对提取的角膜区域进行前期处理的前期处理模块；用于对经过前期处理的角膜区域进行受损区域提取的角膜受损区域提取模块；用于对提取的受损区域进行受损特征提取的特征提取模块；用于根据提取的受损特征进行受损分级及分类，然后给出对应的诊疗意见的诊疗模块。

Description

一种角膜受损智能诊断系统
技术领域
本发明涉及医疗设备领域，更具体地，涉及一种角膜受损智能诊断系统。
背景技术
随着技术的发展，收集、整合、分析医学大数据成为推进医学研究和提高疾病诊断和治疗率的新方向。对于眼科疾病，早发现、早治疗极为重要，而且低成本的自动筛选系统能够极大程度地帮助患者并有助合理利用预先的医疗资源。近年来，国内外很多团队尝试用医学图像方法来攻克眼科疾病的诊治。传统眼表图像分析技术存在着很大的局限性，如何建立更有效更精准的图像分析方式已经成为研究的热点。目前，对于角膜溃烂疾病的研究，国内医生主要借助于角膜荧光素染色形成明显的颜色差别来判断健康区域和受损区域，但是人眼的判别总是存在误差而且受到相应主观因素的影响。在角膜的医学临床应用中也存在利用Photoshop图像处理软件对损伤面积的进行定量分析的方法。但是这一方法，大量依赖于人工的手动操作，不仅费时，而且无法保证实时性。
发明内容
本发明的目的在于克服现有技术进行定量分析时费时费力的缺陷，本发明提供了一种角膜受损智能诊断系统，有效地提高角膜受损的诊断质量与效率。
为实现以上发明目的，采用的技术方案是：
一种角膜受损智能诊断系统，包括：
用于采集患者角膜荧光染色图像的图像采集模块；
用于在采集的角膜染色图像中提取角膜区域的角膜区域提取模块；
用于对提取的角膜区域进行前期处理的前期处理模块；
用于对经过前期处理的角膜区域进行受损区域提取的角膜受损区域提取模块；
用于对提取的受损区域进行受损特征提取的特征提取模块；
用于根据提取的受损特征进行受损分级及分类，然后给出对应的诊疗意见的诊疗模块。
优选地，所述图像采集模块为照相机，所述照相机在裂隙灯的钴蓝光下进行患者角膜荧光染色图像的采集。
优选地，所述在采集得到患者角膜荧光染色图像后，采用手动标示的方式在角膜的最左端点、最右端点、最上端点、最下端点进行标示，所述角膜区域提取模块根据标示的四个端点确定角膜所在的椭圆区域，然后在角膜染色图像中对椭圆区域进行扣取；所述扣取的椭圆区域即为角膜区域。
优选地，所述前期处理模块对角膜区域进行前期处理具体包括以下步骤：
(1)选用卷积滤波算法对角膜区域进行去噪滤波；
(2)将经历过去噪滤波的角膜区域从RGB转化到lab彩色空间。
优选地，所述角膜受损区域提取模块对角膜区域进行受损区域提取的具体过如下：
(1)利用k-means聚类分割方法和自定义判定算法从角膜区域中提取出颜色特征符合角膜溃烂颜色特征的区域，然后对提取的区域进行输出；
(2)医生通过医学经验确定区域生长的起始点，然后利用区域生长的图像分割算法在步骤(1)提取的区域中选取出符合角膜受损特征的区域；选取出的区域即为受损区域。
优选地，所述利用k-means聚类分割方法和自定义判定算法提取区域的具体过程如下：
(1)提取出角膜区域lab彩色空间的a分量和b分量，进行k-means聚类分割；经过k-means聚类分割后得到两张图片；
(2)设计一个自定义判定算法分别读取两张图片的RGB通道信息中的G通道信息，然后分别计算两张图片中G值大于200的像素点的个数，选择两张图片中G值大于200的像素点个数较多的图片进行步骤(3)；
(3)对选择的图片进行k-means聚类分割，经过k-means聚类分割后得到两张图片；
(4)设计一个自定义判定算法计算两张图片中的白色像素点的个数，若其中一张图片的白色像素点的个数为0，则选择这张图片进行区域的提取，否则选择白色像素点较少的图片进行区域的提取。
优选地，所述特征提取模块对受损区域提取的具体特征有：受损面积、受损面积占对应角膜面积的百分比、颜色RGB分布直方图。
优选地，所述诊疗模块根据受损特征进行受损分级的具体依据如下：
受损面积＜角膜区域30％的面积，则确认受损级别为轻度；
角膜区域30％的面积≤受损面积≤角膜区域60％的面积，则确认受损级别为中度；
受损面积＞角膜区域60％的面积，则确认受损级别为重度。
与现有技术相比，本发明的有益效果是：
本发明提供的系统通过图像处理技术与专家意见来进行角膜受损的智能诊断，其诊断的效率与现有技术相比得到了提高，且能够有效的解决现有技术对角膜受损分析不够精准量化的问题，提高医疗服务质量与效率。
附图说明
图1为系统的工作流程图。
图2为提取角膜区域的示意图。
图3为利用k-means聚类分割方法和自定义判定算法提取区域的示意图。
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；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
本发明提供的智能诊断系统主要包括图像采集模块、角膜区域提取模块、前期处理模块、角膜受损区域提取模块、特征提取模块和诊疗模块，其中，图像采集模块用于采集患者角膜荧光染色图像，角膜区域提取模块用于在采集的角膜染色图像中提取角膜区域，前期处理模块用于对提取的角膜区域进行前期处理，角膜受损区域提取模块用于对经过前期处理的角膜区域进行受损区域提取，特征提取模块用于对提取的受损区域进行受损特征提取，诊疗模块用于根据提取的受损特征进行受损分级及分类，然后给出对应的诊疗意见。其具体的工作流程如图1所示。
在具体的实施过程中，所述图像采集模块为照相机，所述照相机在裂隙灯的钴蓝光下进行患者角膜荧光染色图像的采集。
在具体的实施过程中，所述在采集得到患者角膜荧光染色图像后，采用手动标示的方式在角膜的最左端点、最右端点、最上端点、最下端点进行标示，所述角膜区域提取模块根据标示的四个端点确定角膜所在的椭圆区域，然后在角膜染色图像中对椭圆区域进行扣取；所述扣取的椭圆区域即为角膜区域。具体如图2所示。
在具体的实施过程中，所述前期处理模块对角膜区域进行前期处理具体包括以下步骤：
(1)选用卷积滤波算法对角膜区域进行去噪滤波；
(2)将经历过去噪滤波的角膜区域从RGB转化到lab彩色空间。
在具体的实施过程中，所述角膜受损区域提取模块对角膜区域进行受损区域提取的具体过如下：
(1)利用k-means聚类分割方法和自定义判定算法从角膜区域中提取出颜色特征符合角膜溃烂颜色特征的区域，然后对提取的区域进行输出；
(2)医生通过医学经验确定区域生长的起始点，然后利用区域生长的图像分割算法在步骤(1)提取的区域中选取出符合角膜受损特征的区域；选取出的区域即为受损区域。
在具体的实施过程中，所述利用k-means聚类分割方法和自定义判定算法提取区域的具体过程如下：
(1)提取出角膜区域lab彩色空间的a分量和b分量，进行k-means聚类分割；经过k-means聚类分割后得到两张图片；
(2)设计一个自定义判定算法分别读取两张图片的RGB通道信息中的G通道信息，然后分别计算两张图片中G值大于200的像素点的个数，选择两张图片中G值大于200的像素点个数较多的图片进行步骤(3)；
(3)对选择的图片进行k-means聚类分割，经过k-means聚类分割后得到两张图片；
(4)设计一个自定义判定算法计算两张图片中的白色像素点的个数，若其中一张图片的白色像素点的个数为0，则选择这张图片进行区域的提取，否则选择白色像素点较少的图片进行区域的提取。具体如图3所示。
在具体的实施过程中，所述特征提取模块对受损区域提取的具体特征有：受损面积、受损面积占对应角膜面积的百分比、颜色RGB分布直方图。
在具体的实施过程中，所述诊疗模块根据受损特征进行受损分级的具体依据如下：
受损面积＜角膜区域30％的面积，则确认受损级别为轻度；
角膜区域30％的面积≤受损面积≤角膜区域60％的面积，则确认受损级别为中度；
受损面积＞角膜区域60％的面积，则确认受损级别为重度。
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 (8)

1.一种角膜受损智能诊断系统，其特征在于，包括：
用于采集患者角膜荧光染色图像的图像采集模块；
用于在采集的角膜染色图像中提取角膜区域的角膜区域提取模块；
用于对提取的角膜区域进行前期处理的前期处理模块；
用于对经过前期处理的角膜区域进行受损区域提取的角膜受损区域提取模块；
用于对提取的受损区域进行受损特征提取的特征提取模块；
用于根据提取的受损特征进行受损分级及分类，然后给出对应的诊疗意见的诊疗模块。
2.根据权利要求1所述的角膜受损智能诊断系统，其特征在于，所述图像采集模块为照相机，所述照相机在裂隙灯的钴蓝光下进行患者角膜荧光染色图像的采集。
3.根据权利要求1所述的角膜受损智能诊断系统，其特征在于，所述在采集得到患者角膜荧光染色图像后，采用手动标示的方式在角膜的最左端点、最右端点、最上端点、最下端点进行标示，所述角膜区域提取模块根据标示的四个端点确定角膜所在的椭圆区域，然后在角膜染色图像中对椭圆区域进行扣取；所述扣取的椭圆区域即为角膜区域。
4.根据权利要求1所述的角膜受损智能诊断系统，其特征在于，所述前期处理模块对角膜区域进行前期处理具体包括以下步骤：
(1)选用卷积滤波算法对角膜区域进行去噪滤波；
(2)将经历过去噪滤波的角膜区域从RGB转化到lab彩色空间。
5.根据权利要求4所述的角膜受损智能诊断系统，其特征在于，所述角膜受损区域提取模块对角膜区域进行受损区域提取的具体过如下：
(1)利用k-means聚类分割方法和自定义判定算法从角膜区域中提取出颜色特征符合角膜溃烂颜色特征的区域，然后对提取的区域进行输出；
(2)医生通过医学经验确定区域生长的起始点，然后利用区域生长的图像分割算法在步骤(1)提取的区域中选取出符合角膜受损特征的区域；选取出的区域即为受损区域。
6.根据权利要求5所述的角膜受损智能诊断系统，其特征在于，所述利用k-means聚类分割方法和自定义判定算法提取区域的具体过程如下：
(1)提取出角膜区域lab彩色空间的a分量和b分量，进行k-means聚类分割；经过k-means聚类分割后得到两张图片；
(2)设计一个自定义判定算法分别读取两张图片的RGB通道信息中的G通道信息，然后分别计算两张图片中G值大于200的像素点的个数，选择两张图片中G值大于200的像素点个数较多的图片进行步骤(3)；
(3)对选择的图片进行k-means聚类分割，经过k-means聚类分割后得到两张图片；
(4)设计一个自定义判定算法计算两张图片中的白色像素点的个数，若其中一张图片的白色像素点的个数为0，则选择这张图片进行区域的提取，否则选择白色像素点较少的图片进行区域的提取。
7.根据权利要求5所述的角膜受损智能诊断系统，其特征在于，所述特征提取模块对受损区域提取的具体特征有：受损面积、受损面积占对应角膜面积的百分比、颜色RGB分布直方图。
8.根据权利要求7所述的角膜受损智能诊断系统，其特征在于，所述诊疗模块根据受损特征进行受损分级的具体依据如下：
受损面积＜角膜区域30％的面积，则确认受损级别为轻度；
角膜区域30％的面积≤受损面积≤角膜区域60％的面积，则确认受损级别为中度；
受损面积＞角膜区域60％的面积，则确认受损级别为重度。
CN201710237618.3A 2017-04-12 2017-04-12 一种角膜受损智能诊断系统 Active CN107122597B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710237618.3A CN107122597B (zh) 2017-04-12 2017-04-12 一种角膜受损智能诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710237618.3A CN107122597B (zh) 2017-04-12 2017-04-12 一种角膜受损智能诊断系统

Publications (2)

Publication Number Publication Date
CN107122597A true CN107122597A (zh) 2017-09-01
CN107122597B CN107122597B (zh) 2020-04-24

Family

ID=59724692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710237618.3A Active CN107122597B (zh) 2017-04-12 2017-04-12 一种角膜受损智能诊断系统

Country Status (1)

Country Link
CN (1) CN107122597B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510470A (zh) * 2018-02-12 2018-09-07 佛山市顺德区中山大学研究院 超像素提取过渡期片状角膜溃烂区域的方法
CN108985328A (zh) * 2018-06-08 2018-12-11 佛山市顺德区中山大学研究院 用于判别角膜溃烂的深度学习模型的构建方法及其系统
CN109410236A (zh) * 2018-06-12 2019-03-01 佛山市顺德区中山大学研究院 荧光染色图像反光点识别与重定义的方法及系统
CN110246158A (zh) * 2019-07-19 2019-09-17 上海交通大学医学院附属第九人民医院 眼疾检测装置、方法、电子终端、及存储介质
CN111652841A (zh) * 2020-04-24 2020-09-11 温州医科大学附属眼视光医院 一种基于图像处理的角膜损伤检测方法
CN116681707A (zh) * 2023-08-04 2023-09-01 北京同仁医学科技有限责任公司 一种角膜荧光素染色图像识别分级方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367468A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于k－均值聚类及信息融合的角膜病灶图像分割方法
CN102567737A (zh) * 2011-12-28 2012-07-11 华南理工大学 一种眼球角膜定位的方法
JP2012239550A (ja) * 2011-05-17 2012-12-10 Fujitsu Ltd 角膜反射判定プログラム、角膜反射判定装置および角膜反射判定方法
CN105118002A (zh) * 2015-07-30 2015-12-02 芜湖卫健康物联网医疗科技有限公司 五步法分级诊断系统及方法
CN105411523A (zh) * 2015-12-07 2016-03-23 温州医科大学眼视光器械有限公司 一种角膜图像处理方法
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1367468A (zh) * 2002-03-25 2002-09-04 北京工业大学 基于k－均值聚类及信息融合的角膜病灶图像分割方法
JP2012239550A (ja) * 2011-05-17 2012-12-10 Fujitsu Ltd 角膜反射判定プログラム、角膜反射判定装置および角膜反射判定方法
CN102567737A (zh) * 2011-12-28 2012-07-11 华南理工大学 一种眼球角膜定位的方法
CN105118002A (zh) * 2015-07-30 2015-12-02 芜湖卫健康物联网医疗科技有限公司 五步法分级诊断系统及方法
CN105411523A (zh) * 2015-12-07 2016-03-23 温州医科大学眼视光器械有限公司 一种角膜图像处理方法
CN105550651A (zh) * 2015-12-14 2016-05-04 中国科学院深圳先进技术研究院 一种数字病理切片全景图像自动分析方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510470A (zh) * 2018-02-12 2018-09-07 佛山市顺德区中山大学研究院 超像素提取过渡期片状角膜溃烂区域的方法
CN108510470B (zh) * 2018-02-12 2020-08-04 佛山市顺德区中山大学研究院 超像素提取过渡期片状角膜溃烂区域的方法
CN108985328A (zh) * 2018-06-08 2018-12-11 佛山市顺德区中山大学研究院 用于判别角膜溃烂的深度学习模型的构建方法及其系统
CN109410236A (zh) * 2018-06-12 2019-03-01 佛山市顺德区中山大学研究院 荧光染色图像反光点识别与重定义的方法及系统
CN109410236B (zh) * 2018-06-12 2021-11-30 佛山市顺德区中山大学研究院 荧光染色图像反光点识别与重定义的方法及系统
CN110246158A (zh) * 2019-07-19 2019-09-17 上海交通大学医学院附属第九人民医院 眼疾检测装置、方法、电子终端、及存储介质
CN111652841A (zh) * 2020-04-24 2020-09-11 温州医科大学附属眼视光医院 一种基于图像处理的角膜损伤检测方法
CN116681707A (zh) * 2023-08-04 2023-09-01 北京同仁医学科技有限责任公司 一种角膜荧光素染色图像识别分级方法
CN116681707B (zh) * 2023-08-04 2023-10-20 北京同仁医学科技有限责任公司 一种角膜荧光素染色图像识别分级方法

Also Published As

Publication number Publication date
CN107122597B (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN107122597A (zh) 一种角膜受损智能诊断系统
CN111493814B (zh) 眼底病变的识别系统
WO2020259209A1 (zh) 眼底图像识别方法、装置、设备和存储介质
CN109472781B (zh) 一种基于串行结构分割的糖尿病视网膜病变检测系统
CN108771530B (zh) 基于深度神经网络的眼底病变筛查系统
WO2019196268A1 (zh) 基于深度学习的糖尿病视网膜图像分类方法及系统
KR102155381B1 (ko) 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램
CN1589449A (zh) 评估图像中的损伤
WO2021147429A1 (zh) 内窥镜图像展示方法、装置、计算机设备及存储介质
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
CN104299242A (zh) 基于ngc-acm的荧光造影眼底图像提取方法
CN109948671A (zh) 图像分类方法、装置、存储介质以及内窥镜成像设备
CN106780520A (zh) 一种mri腰椎图像中椎骨的自动提取方法
CN112102332A (zh) 基于局部分类神经网络的癌症wsi的分割方法
Suriyasekeran et al. Algorithms for diagnosis of diabetic retinopathy and diabetic macula edema-a review
CN109241963A (zh) 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法
Toresa et al. The cuckoo optimization algorithm enhanced visualization of morphological features of diabetic retinopathy
CN107203758A (zh) 糖尿病人视网膜血管图像分割方法
CN109214433A (zh) 一种卷积神经网络区分肝癌分化等级的方法
CN108918398A (zh) 一种循环肿瘤细胞检测方法
CN108309229B (zh) 一种针对眼底图像视网膜血管的层次结构划分方法
Yazid et al. Edge sharpening for diabetic retinopathy detection
KR20210033902A (ko) 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램
Remeseiro et al. Automatic drusen detection from digital retinal images: AMD prevention
Sindhusaranya et al. Hybrid algorithm for retinal blood vessel segmentation using different pattern recognition techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant