CN107229937A - 一种视网膜血管分类方法及装置 - Google Patents
一种视网膜血管分类方法及装置 Download PDFInfo
- Publication number
- CN107229937A CN107229937A CN201710442383.1A CN201710442383A CN107229937A CN 107229937 A CN107229937 A CN 107229937A CN 201710442383 A CN201710442383 A CN 201710442383A CN 107229937 A CN107229937 A CN 107229937A
- Authority
- CN
- China
- Prior art keywords
- retina
- segment image
- vessel
- vessel segment
- lbp
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/443—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 by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种视网膜血管分类方法及装置。把局部二值算法结合独立成分分析技术在眼底血管特征提取方面进行了融合使用,由于二者从不同角度对血管特征进行结构性描述,因此该方法继承了各自单项技术中优势,并在一定程度上对血管特征进行了补充,过滤了更多噪声的影响;该方法最终提高了眼底血管动静脉分类的精确度,并降低了无分类标记的血管比率,为后续眼底血管相关的疾病诊断提供了坚实的数据基础。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视网膜血管分类方法及装置。
背景技术
一直以来,心脑血管疾病都是世界上老年人口死亡和致残的主要原因,其中以高血压、动脉硬化、视网膜中央动脉阻塞等最为常见。这些疾病的形成及发病过程,在微细血管上都会体现出渐进的形态变化,通过对微血管形态结构的分析,不仅可对疾病发生的程度进行判断、进而诊断,也可以预报早期征兆,在临床上具有非常重大的意义。由于眼底视网膜血管网络是人体唯一能直接观察的小动脉和小静脉血管网络,高血压、动脉硬化等常见疾病特征,通常可以在这里直接反映,因此其是心血管疾病微循环检查的重要部位。
近年来,随着计算机图像处理技术的发展,对眼底图像的处理主要集中在两个方面,一是图像增强技术,如用于提高眼底图像各特征的对比度和亮度,从而便于医生观察特征现象,但其不能给医生提供任何有益的可能性建议,更无法代替医生诊断;二是模式识别技术的引入,可以对眼底图像的特征进行提取,并结合特征进行血管的分割和分类,进而根据动静脉管径比等关键指标,给医生提供有益的帮助,但该技术的主要问题是要么血管分类的精度不高,要么对分支血管提取的效果不好,离全面临床使用还有一段距离。
动静脉分类是视网膜图像后续特征计算任务的关键前提,如自动测量动静脉管径比(Arteriolar-to-Venular Diameter Ratio,AVR),自动测量动脉反光带比等,由于眼底图像对比度、亮度和颜色的变化对动静脉分类会造成较多的影响,即使在图像对比度和光度正常化后,在图像的外围也会由于血管变薄使得动静脉的分离更加困难;因此基于现有技术常采用的多像模糊聚类、Kmeans聚类、支持向量机(Support Vector Machine,SVM)或线性判别式分析(Linear Discriminant Analysis,LDA)等分类器对血管分割的结果进行标记类别时,由于特征提取的单一性均存在精度不高或无法判别微细血管的情况。
发明内容
本发明提供一种视网膜血管分类方法及装置,通过局部二值模式算法结合独立成分分析的方式,融合血管结构特性,从多个层面反映动静脉血管的特征,解决现有技术中针对动静脉分类时,准确率低下或只能分类血管主干,无法检测细微分支的问题,从而在动静脉分类步骤中,得到更好的分类效果,为后续疾病特征的判别、诊断等提供有效可靠的数据前提。
一方面,本发明实施例提供了一种视网膜血管分类方法。该方法包括:获取视网膜的血管段图像;采用局部二值模式LBP算法,提取视网膜的血管段图像的LBP特征;采用独立成分分析ICA算法,提取视网膜的血管段图像的ICA特征;将LBP特征和ICA特征组成纹理特征向量,并将纹理特征向量输入集成分类器,得到视网膜的血管分类结果。
在一个可能的实施例中,LBP算法为旋转不变模式算法。
在一个可能的实施例中,集成分类器为随机森林分类器。
在一个可能的实施例中,获取视网膜的血管段图像,包括:接收视网膜图像;采用Morlet小波变换方法和Gabor小波变换方法,对视网膜图像进行处理,以获取视网膜的血管段图像。
在一个可能的实施例中,采用Morlet小波变换方法和Gabor小波变换方法,对视网膜图片进行处理,以获取视网膜的血管段图像,包括:对视网膜图像进行预处理;采用Morlet小波变换方法和Gabor小波变换方法,对预处理后的视网膜图像进行处理,以获取视网膜的血管段图像。
另一方面,本发明实施例提供了一种视网膜血管分类装置。该装置包括:获取模块,用于获取视网膜的血管段图像;第一提取模块,用于采用局部二值模式LBP算法,提取视网膜的血管段图像的LBP特征;第二提取模块,用于采用独立成分分析ICA算法,提取视网膜的血管段图像的ICA特征;分类模块,用于将LBP特征和ICA特征组成纹理特征向量,并将纹理特征向量输入集成分类器,得到视网膜的血管分类结果。
在一个可能的设计中,LBP算法为旋转不变模式算法。
在一个可能的设计中,集成分类器为随机森林分类器。
在一个可能的设计中,获取模块具体用于:接收视网膜图像;采用Morlet小波变换方法和Gabor小波变换方法,对视网膜图像进行处理,以获取视网膜的血管段图像。
在一个可能的设计中,获取模块具体用于:接收视网膜图像;对视网膜图像进行预处理;采用Morlet小波变换方法和Gabor小波变换方法,对预处理后的视网膜图像进行处理,以获取视网膜的血管段图像。
本发明提供了一种视网膜血管分类方法及装置,首先对眼底相机拍摄的眼底照片进行图像预处理和血管分割提取,其次对血管分割后的血管段二值图,使用本专利采用的融合特征提取方式,最终把纹理特征向量输入集成分类器中,分类器根据动静脉血管的结构特征对其进行标签标记。其针对眼底相机拍摄的视网膜眼底图片进行动静脉分类,可以有效提高分类的精度,并降低了无分类标签的血管比率,为后续眼底疾病特征的判别提供了可靠的数据指标。
附图说明
图1为本发明实施例提供的一种视网膜血管分类方法的流程示意图;
图2为本发明实施例提供的一种视网膜血管分类方法的框架示意图;
图3为基于Morlet小波处理的视网膜血管提取示意图;
图4为LBP特征圆对称邻域图;
图5为旋转不变的LBP分解示意图;
图6为ICA线性模型图;
图7为本发明实施例提供的一种视网膜血管分类装置结构图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
本发明实施例采用的技术方案是局部二值模式(Local Binary Patterns,LBP)和独立成分分析(Independent Component Correlation Algorithm,ICA)融合技术。LBP特征是一个图形运算符,其将图像转换为整数标签或数组来描述图像的尺寸外观,由于其多尺度版本被证明是旋转不变、灰度不变,并且支持任意分辨率的,因此LBP算子结合统计和结构纹理特征分析,来描述纹理的统计布局规则十分有效,本发明实施例中采用LBP的旋转不变模式算法,来提取动静脉血管的局部特征。ICA是上世纪90年代为解决盲信号处理中的盲源分离问题发展起来的一种有效信号处理方法,其目的是从随机线性混合的观测信号中恢复出各源信号,其为非高斯数据提供了一种线性变换,使得成分与成分之间是统计独立或者尽可能独立的,数字图像经过ICA处理,能够提取到直接反映被研究对象本质属性的独立成分特征量,做为分类器的输入向量,不但能减少处理时间,而且非常有利于分类器达到最优的性能,减少匹配的时间和错误率,本发明实施例中采用ICA来对眼底血管分割结果进行独立成分特征量的提取,结合LBP特征,从多个层面反映动静脉的特性。
下面对本发明采用的LBP算法和ICA算法进行介绍:
(1)LBP算法
原始LBP算子定义在3*3的窗口内,以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0,这样3*3邻域内的8个点经比较可产生8位二进制数,即该窗口中心像素点的LBP值,并用该值来反映该区域的纹理信息,基于单像素点构造直方图来收集不同的二进制模式以代表图像中不同类型的弯曲边缘、斑点、平坦区域等。
LBP局部二值模式公式为:
其中,gc是中心像素,gp(p=0,…,P-1)为中心像素的邻居,在半径为R的一个圆上,P是邻居的总数,s(x)为阈值函数,当邻居像素大于等于中心像素时,设定为1,否则设定为0。
(2)ICA算法
用ICA模型进行图像特征提取时,采用子图像块的形式对每幅图像用8x8的子窗口进行抽取,并将抽取的子图像块做为输入数据进行ICA边缘特征提取,由于滑动子窗口的位置随机设定,这样经过滑动子窗口抽取的子图像块在原图中的位置相互有重叠,可相互弥补子图像块像素间的统计特性。
ICA独立成分分析基础理论公式为:
X=AS=∑aisi (2)
其中,X=(x1,x2,…,xm)为观测混合数据阵,S=(s1,s2,…,sm)为生成该数据阵的独立源,A=(a1,a2,…,am)是一个n*m的混合矩阵,X由独立源S经过A线性加权获得。ICA的理论目标就是通过X求得一个分离矩阵W,使得W作用在X上获得的信号Y是独立源S的最优逼近,其关系公式为:
Y=WX=WAS,A=inv(w) (3)
其中,Y=(y1,y2,…,ym)是独立基图像的聚集。
下面结合附图对本发明提供的实施例进行进一步说明。
图1为本发明实施例提供的一种视网膜血管分类方法的流程示意图。如图1所示,该方法包括步骤101-104:
步骤101,获取视网膜的血管段图像。
具体地,视网膜的血管段图像可以通过以下步骤获取:
1)如图2所示,接收拍摄的眼底图像。其中,眼底图片为通过眼底相机拍摄的图片。眼底是指眼球内后部的组织,即眼球的内膜,包括视网膜、视乳头、黄斑和视网膜中央动静脉。例如,拍摄的眼底图片为RGB格式的真彩色视网膜图像。
2)对视网膜图像的G通道图像进行预处理分离。
3)采用自适应直方图均衡优化G通道图像中存在的照明不均、灰度分布过于集中和对比度低的问题;
4)基于Morlet小波公式对G通道图像分割、进行血管骨架的提取。如图3所示,为基于Morlet小波处理的视网膜血管提取示意图。输入G通道图像后,基于视网膜血管的特征函数,针对图像的每个像素点进行多值选取,将小波变换系数模最大值作为当前点的特征函数输出,并得到输出图像。
5)采用多尺度高斯匹配滤波,优化基于Morlet小波处理输出的图像中微小血管部分。
6)基于滞后阀值方法的二值化,对高斯匹配滤波后的图像进行二值化处理,从而排除大部分非血管像素,得到Morlet小波变换处理的最终图像。
7)对G通道图像进行Gabor小波变换处理,由于其核心是高斯函数,通过调整高斯函数的参数来逼近血管横截面的灰度强度分布。
8)采用二类SVM分类模型,将进行Gabor小波变换处理后的G通道图像的像素进行分类,分为血管类和非血管类。
9)根据上述分类结果,采用Morlet小波变换方法提取的血管的坐标信息,并基于步骤6)中得到的Morlet小波变换处理的最终图像,进行反向区域校正比对。
10)对血管进行分割,得到血管段,并去除小于设定像素的血管段。然后采用细化算法对留下的血管段的中心线进行提取。
11)从提取血管中心线像素后的血管骨架中抽取分叉点和交叉点,并输出血管段的二值图像。
步骤102,采用局部二值模式算法,提取视网膜的血管段图像的LBP特征。
具体的,采用局部二值模式算法,对血管段图像进行多尺度旋转不变LBP特征提取。
如图4所示,为LBP特征圆对称邻域图,其为基本LBP算子的改进,可以适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,是LBP特征提取的方式。
如图5所示,为旋转不变的LBP分解示意图,其是LBP旋转不变算子的实现过程,即不断旋转圆形邻域得到一系列初始定义的LBP值,取最小值作为该邻域的LBP值。
步骤103,采用独立成分分析算法,提取视网膜的血管段图像的ICA特征。
如图6所示,为ICA线性模型图,其目的是对任何t,根据已知的X(t)在A未知的情况下求未知的S(t),旨在对独立信号源产生且经过未知混合的观测信号进行盲分离,从而重现原独立信源,本发明实施例应用其原理进行ICA特征提取。
步骤104,将LBP特征和ICA特征组成纹理特征向量,并将纹理特征向量输入集成分类器,得到视网膜的血管分类结果。
具体地,把LBP特征和ICA特征组成多维矩阵向量,输入基于随机森林算法的集成分类器。集成分类器基于基分类器的投票结果,最终获得血管动静脉分类的标签。
本发明把血管二值图中的LBP特征和ICA特征组成多维向量送入随机森林分类器,由于随机森林分类器的基分类器是决策树,虽然每一棵树建立的过程所选用的属性都是原始样本所有属性的随机子集,但由于随机森林模式在信息增益的时候,依靠的只是所有属性中的一部分,因此相比血管单一特征的输入,树的相关性更强,每棵树的准确率更高。
本发明实施例提供的一种视网膜血管分类方法,首先对眼底相机拍摄的眼底照片进行图像预处理和血管分割提取,其次对血管分割后的血管段二值图,使用本专利采用的融合特征提取方式,最终把纹理特征向量输入集成分类器中,分类器根据动静脉血管的结构特征对其进行标签标记。其针对眼底相机拍摄的视网膜眼底图片进行动静脉分类,可以有效提高分类的精度,并降低了无分类标签的血管比率,为后续眼底疾病特征的判别提供了可靠的数据指标。
图7为本发明实施例提供的一种视网膜血管分类装置结构图,此装置可以用于实现上述实施例中提供的一种视网膜血管分类方法。如图7所示,该装置700包括:
获取模块701,用于获取视网膜的血管段图像。
可选的,获取模块具体用于:接收视网膜图像;采用Morlet小波变换方法和Gabor小波变换方法,对视网膜图像进行处理,以获取视网膜的血管段图像。
可选的,获取模块具体用于:接收视网膜图像;对视网膜图像进行预处理;采用Morlet小波变换方法和Gabor小波变换方法,对预处理后的视网膜图像进行处理,以获取视网膜的血管段图像。
第一提取模块702,用于采用局部二值模式LBP算法,提取视网膜的血管段图像的LBP特征。
可选的,LBP算法为旋转不变模式算法。
第二提取模块703,用于采用独立成分分析ICA算法,提取视网膜的血管段图像的ICA特征。
分类模块704,用于将LBP特征和ICA特征组成纹理特征向量,并将纹理特征向量输入集成分类器,得到视网膜的血管分类结果。
可选的,集成分类器为随机森林分类器。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种视网膜血管分类方法,其特征在于,所述方法包括:
获取视网膜的血管段图像;
采用局部二值模式LBP算法,提取所述视网膜的血管段图像的LBP特征;
采用独立成分分析ICA算法,提取所述视网膜的血管段图像的ICA特征;
将所述LBP特征和所述ICA特征组成纹理特征向量,并将所述纹理特征向量输入集成分类器,得到所述视网膜的血管分类结果。
2.根据权利要求1所述的方法,其特征在于,所述LBP算法为旋转不变模式算法。
3.根据权利要求1所述的方法,其特征在于,所述集成分类器为随机森林分类器。
4.根据权利要求1所述的方法,其特征在于,所述获取视网膜的血管段图像,包括:
接收视网膜图像;
采用Morlet小波变换方法和Gabor小波变换方法,对所述视网膜图像进行处理,以获取所述视网膜的血管段图像。
5.根据权利要求4所述的方法,其特征在于,所述采用Morlet小波变换方法和Gabor小波变换方法,对所述视网膜图片进行处理,以获取所述视网膜的血管段图像,包括:
对所述视网膜图像进行预处理;
采用Morlet小波变换方法和Gabor小波变换方法,对所述预处理后的视网膜图像进行处理,以获取所述视网膜的血管段图像。
6.一种视网膜血管分类装置,其特征在于,所述装置包括:
获取模块,用于获取视网膜的血管段图像;
第一提取模块,用于采用局部二值模式LBP算法,提取所述视网膜的血管段图像的LBP特征;
第二提取模块,用于采用独立成分分析ICA算法,提取所述视网膜的血管段图像的ICA特征;
分类模块,用于将所述LBP特征和所述ICA特征组成纹理特征向量,并将所述纹理特征向量输入集成分类器,得到所述视网膜的血管分类结果。
7.根据权利要求6所述的装置,其特征在于,所述LBP算法为旋转不变模式算法。
8.根据权利要求6所述的装置,其特征在于,所述集成分类器为随机森林分类器。
9.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
接收视网膜图像;
采用Morlet小波变换方法和Gabor小波变换方法,对所述视网膜图像进行处理,以获取所述视网膜的血管段图像。
10.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
接收视网膜图像;
对所述视网膜图像进行预处理;
采用Morlet小波变换方法和Gabor小波变换方法,对所述预处理后的视网膜图像进行处理,以获取所述视网膜的血管段图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710442383.1A CN107229937A (zh) | 2017-06-13 | 2017-06-13 | 一种视网膜血管分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710442383.1A CN107229937A (zh) | 2017-06-13 | 2017-06-13 | 一种视网膜血管分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107229937A true CN107229937A (zh) | 2017-10-03 |
Family
ID=59935844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710442383.1A Pending CN107229937A (zh) | 2017-06-13 | 2017-06-13 | 一种视网膜血管分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229937A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109447947A (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中央凹定位方法 |
CN110189327A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
CN111091573A (zh) * | 2019-12-20 | 2020-05-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
CN112446418A (zh) * | 2020-10-16 | 2021-03-05 | 上海鹰瞳医疗科技有限公司 | 一种眼底分类模型集成系统、方法、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964060A (zh) * | 2010-06-24 | 2011-02-02 | 西安电子科技大学 | 基于局部纹理特征的sar变体目标识别方法 |
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 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106780439A (zh) * | 2016-11-29 | 2017-05-31 | 瑞达昇科技(大连)有限公司 | 一种筛选眼底图像的方法 |
-
2017
- 2017-06-13 CN CN201710442383.1A patent/CN107229937A/zh active Pending
Patent Citations (6)
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 |
CN101964060A (zh) * | 2010-06-24 | 2011-02-02 | 西安电子科技大学 | 基于局部纹理特征的sar变体目标识别方法 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106780439A (zh) * | 2016-11-29 | 2017-05-31 | 瑞达昇科技(大连)有限公司 | 一种筛选眼底图像的方法 |
Non-Patent Citations (8)
Title |
---|
NIMA HATAMI ET AL: "Automatic Identification of Retinal Arteries and Veins in Fundus Images using Local Binary Patterns", 《 COMPUTER VISION AND PATTERN RECOGNITION》 * |
QAZALEH MIRSHARIF ET AL: "Automated characterization of blood vessels as arteries and veins in retinal images", 《COMPUTERIZED MEDICAL IMAGING AND GRAPHICS》 * |
SHUANGLING WANG ET AL: "Hierarchical retinal blood vessel segmentation based on feature and ensemble learning", 《NEUROCOMPUTING》 * |
VISHAL VIJAYAKUMAR ET AL: "Artery/vein classification of retinal blood vessels using feature selection", 《2016 38TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
XIAYU XU ET AL: "An improved arteriovenous classification method for the early diagnostics of various diseases in retinal image", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
朱承璋等: "基于多特征融合和随机森林的视网膜血管分割", 《计算机辅助设计与图形学学报》 * |
王凯: "基于图像纹理特征提取算法的研究及应用", 《万方数据》 * |
黄启宏等: "基于独立分量分析的图像边缘特征提取", 《红外》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230306A (zh) * | 2017-12-28 | 2018-06-29 | 中山大学 | 眼底彩照血管及动静脉的识别方法 |
CN108764286A (zh) * | 2018-04-24 | 2018-11-06 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN108764286B (zh) * | 2018-04-24 | 2022-04-19 | 电子科技大学 | 一种基于迁移学习的血管图像中特征点的分类识别方法 |
CN109447947A (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中央凹定位方法 |
CN109447947B (zh) * | 2018-09-28 | 2021-10-01 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的中央凹定位方法 |
CN110189327A (zh) * | 2019-04-15 | 2019-08-30 | 浙江工业大学 | 基于结构化随机森林编码器的眼底视网膜血管分割方法 |
CN111091573A (zh) * | 2019-12-20 | 2020-05-01 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
CN111091573B (zh) * | 2019-12-20 | 2021-07-20 | 广州柏视医疗科技有限公司 | 基于深度学习的ct影像肺血管的分割方法及系统 |
CN112446418A (zh) * | 2020-10-16 | 2021-03-05 | 上海鹰瞳医疗科技有限公司 | 一种眼底分类模型集成系统、方法、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Residual u-net for retinal vessel segmentation | |
CN107229937A (zh) | 一种视网膜血管分类方法及装置 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Dharmawan et al. | A new hybrid algorithm for retinal vessels segmentation on fundus images | |
Wang et al. | Hierarchical retinal blood vessel segmentation based on feature and ensemble learning | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Yavuz et al. | Blood vessel extraction in color retinal fundus images with enhancement filtering and unsupervised classification | |
CN107369160A (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN106355599B (zh) | 基于非荧光眼底图像的视网膜血管自动分割方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
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 | |
Abdelhafeez et al. | Skin cancer detection using neutrosophic c-means and fuzzy c-means clustering algorithms | |
Mamilla et al. | Extraction of microaneurysms and hemorrhages from digital retinal images | |
Fan et al. | Automated blood vessel segmentation in fundus image based on integral channel features and random forests | |
CN108230341A (zh) | 一种基于分层抠图算法的眼底图像血管分割方法 | |
Upadhyay et al. | Wavelet based fine-to-coarse retinal blood vessel extraction using U-net model | |
Rammy et al. | Conditional patch-based generative adversarial network for retinal vessel segmentation | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
Maheswari et al. | A survey on computer algorithms for retinal image preprocessing and vessel segmentation | |
Vázquez et al. | Using retinex image enhancement to improve the artery/vein classification in retinal images | |
CN113269756B (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
KR102282334B1 (ko) | 시신경 유두 분류 방법 |
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 | ||
CB02 | Change of applicant information |
Address after: 116000 room 19, block B, block 32A, Torch Road, Dalian high tech Industrial Park, Liaoning, China, 1907-1 Applicant after: Ruida Sheng medical technology (Dalian) Co., Ltd. Address before: 116024 creative Incubation Park, 720 Huangpu Road, hi tech park, Dalian, Liaoning 4F Applicant before: Redasen Technology (Dalian) Co, Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |
|
RJ01 | Rejection of invention patent application after publication |