CN107451998A - 一种眼底图像质量控制方法 - Google Patents
一种眼底图像质量控制方法 Download PDFInfo
- Publication number
- CN107451998A CN107451998A CN201710669244.2A CN201710669244A CN107451998A CN 107451998 A CN107451998 A CN 107451998A CN 201710669244 A CN201710669244 A CN 201710669244A CN 107451998 A CN107451998 A CN 107451998A
- Authority
- CN
- China
- Prior art keywords
- image
- eye fundus
- fundus image
- region
- quality control
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003908 quality control method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 230000003287 optical effect Effects 0.000 claims abstract description 3
- 238000007873 sieving Methods 0.000 claims abstract description 3
- 238000000605 extraction Methods 0.000 claims description 32
- 239000000284 extract Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 210000001508 eye Anatomy 0.000 abstract description 96
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000004438 eyesight Effects 0.000 abstract description 10
- 238000001303 quality assessment method Methods 0.000 abstract description 2
- 210000003733 optic disk Anatomy 0.000 description 17
- 230000003902 lesion Effects 0.000 description 16
- 210000002189 macula lutea Anatomy 0.000 description 12
- 210000004204 blood vessel Anatomy 0.000 description 10
- 230000002708 enhancing effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000000740 bleeding effect Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025415 Macular oedema Diseases 0.000 description 1
- 241000282373 Panthera pardus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 201000010230 macular retinal edema Diseases 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (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)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种眼底图像质量控制方法,所述方法通过对目标眼底图像进行处理,能够在目标眼底图像的感兴趣区域ROI中提取目标眼底图像的局部亮区和局部暗区,并进行目标眼底图像是否亮暗异常的判定;基于所述亮暗异常的判定进行图像筛选。本发明的方法可以对彩色眼底图像进行拍摄质量的判别,将具有局部亮区和/或局部暗区的图像与正常眼底图像进行区分。可以针对各型号相机拍摄的彩色眼底图像,进行图像质量控制评判分类。可以进行眼底图像视区判断和眼底图像质量评判。本发明可以有效控制不合格图像进入检测环节占用资源;本发明的方法与眼底相机硬件结合,在源头处发现问题,节约反馈时间;降低对医学工作者的拍摄技术要求。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种用于对彩色眼底图像进行质量筛选的方法。
背景技术
在眼部病变的检测过程中,彩色眼底图像是非常重要的一个检测依据。
彩色眼底图像病变筛查中,大夫对眼底图像视区高度重视。只有有意义的视区,才能体现病变的有无及病变程度。例如,近视的检测,要着眼于视盘附近,视盘、视杯形状大小是否有变化以及变化程度如何。而黄斑水肿的检测,要重点着眼于黄斑区域。根据一线临床眼科大夫的诊断经验,要求采像时,每个患者的左右眼必须分别含有一张以视盘为中心、一张以黄斑区为中心且质量合格的图像。
但是,现有的眼底图像采集设备都没有图像质量的判别功能,图像质量的控制完全依靠操作者自身的经验来进行判别。因此,传输至病变检测环节的图像中,包含一定的由于拍摄人员水平或者设备因素等造成的非彩色眼底图像(如荧光造影图像)、非眼底图像(如前眼图像)、低质量彩色眼底图像。低质量眼底图像又包括曝光异常造成的极亮、极暗的眼底图像,这部分眼底图像后续无法检测;包括由于相机对焦不准确或者眼底病变引起的全局模糊的眼底图像;包括异物遮挡等造成的局部发黑发暗的眼底图像,这些图像中的正常部分可以参与后续的病变筛查检测,予以分类;包括由于过度曝光造成的局部亮的眼底图像;包括图像中有局部模糊,其他区域可以参与后续检测的眼底图像;在局部模糊的图像中,根据医学临床中黄斑区的重要性,又分为一般局部模糊与黄斑区局部模糊图像。
因此,现有的图像采集设备会给后续检测带来诸多不必要的麻烦和重复性工作。
发明内容
本发明提供了一种眼底图像质量控制方法,其特征在于,所述方法包括下述步骤:
步骤(1)对目标眼底图像进行预处理;
步骤(2)提取目标眼底图像中的感兴趣区域ROI;
步骤(3)在感兴趣区域ROI中提取目标眼底图像的局部亮区和局部暗区,并进行目标眼底图像是否亮暗异常的判定;
步骤(4)基于所述亮暗异常的判定进行图像筛选。
优选地,所述方法还包括:判断所述目标眼底图像是否为RGB格式图像,若为非RGB格式图像,则将所述目标眼底图像转换为RGB格式图像。
优选地,所述步骤(3)中提取局部亮区的步骤包括:在所述目标眼底图像的B通道图像中,提取眼底图像的白色亮区候选区,在所述目标眼底图像的R、G通道图像中联合提取黄色亮区候选区,对所获得的候选区进行筛选,得到曝光亮区。
优选地,所述步骤(3)中提取局部暗区的步骤包括:判断感兴趣区域ROI的完整性,获取感兴趣区域ROI的残缺部作为第一暗区;
从感兴趣区域ROI中减去曝光亮区,基于剩余区域图像设定暗区提取阈值;
基于所确定的暗区提取阈值进行暗区提取。
优选地,所述方法还包括:判断所述彩色眼底图像中RatioRG和RatioRB是否分别大于各自阈值,若均大于各自阈值则降低暗区提取阈值。
优选地,所述方法还包括:判断所述目标眼底图像是否属于前眼图像,若为前眼图像,则将所述图像剔除。
优选地,判断前眼图像的过程为:
获取所述目标眼底图像的B通道图像,在B通道图像中央预定范围内,以第一固定阈值提取绝对亮区,并判断是否存在圆度大于第二阈值的区域,若存在则将所述目标眼底图像判定为前眼图像,否则执行下一步骤;
采用预定窗口对R通道图像进行中值分离滤波获得中值图像;
将所获得的R通道中值图像与R通道图像做差,获得差值图像;
对所述差值图像采用第二固定阈值进行亮区提取,并分割成多个连通域;
提取黑眼珠区域,分别判断各个亮区与黑眼珠区域的交集,若任一亮区完全在黑眼珠区域内,则将所述目标眼底图像判断为前眼图像,否则执行下一步骤;
对所述目标眼底图像的灰度图像进行轮廓提取,基于轮廓线的线条长度、圆度和凸性对所提取轮廓线中进行筛选,若满足预定长度、圆度和凸性要求的轮廓线位于黑眼珠区域内,则判定为前眼图像,否则判定为非前眼图像。
优选地,所述方法还包括在所述步骤(1)之后:获取所述目标眼底图像的图像通道数,判断所述图像通道数是否为1,若为1则将所述目标眼底图像剔除。
优选地,所述步骤(1)中的图像预处理包括:对所述目标眼底图像进行图像尺寸归一化、曝光异常图像判别、图像校正和图像增强。
此外,本发明还可以提供一种眼底图像质量控制设备,所述质量控制设备包括眼底图像摄取装置、拍摄报警装置、图像分类装置以及图像输出模块,所述图像分类装置包括:对目标眼底图像进行预处理的预处理模块、用于提取目标眼底图像中的感兴趣区域ROI的感兴趣区域提取模块,用于对图像进行分类的分类模块;
所述眼底图像摄取装置用于在拍摄人员的控制下进行眼底图像的拍摄,所述分类模块用于采用上述图像质量控制方法进行眼底图像的分类;
所述拍摄报警装置基于所述分类模块的分类结果,对于不合格图像发出报警,进而提示图像拍摄人员进行重新拍摄,所述图像输出模块用于将分类后的图像进行分类输出。
这里的分类模块用于执行除了预处理和感兴趣区域提取之外的所有质量控制方法的步骤。
技术效果
首先,本发明的方法可以对彩色眼底图像进行拍摄质量的判别,将具有局部亮区和/或局部暗区的图像与正常眼底图像进行区分。
其次,本发明优选实现方式中,可以针对各型号相机拍摄的彩色眼底图像,进行图像质量控制评判分类。可以进行眼底图像视区判断和眼底图像质量评判。
质量控制分类是后续病变检测的必要前提,本发明可以有效控制不合格图像进入检测环节占用资源;本发明的方法与眼底相机硬件结合,在源头处发现问题,节约反馈时间;降低对医学工作者的拍摄技术要求。
综上,彩色眼底图像质量控制程序,对单一的输入图像,得到视区与质量的两方面判断结果。对于视区方面,可以判定该图像是左眼还是右眼、是以黄斑为中心还是以视盘为中心或其他;对于质量方面,可以判定该图像质量是否正常,若不正常,分类到恰当的归属,以便后续处理。
附图说明
图1为本发明一个实施例的图像质量控制方法的流程图;
图2所示为采用多尺度中值滤波来对病变区域、眼底解剖结构进行增强的示意图;
图3所示为滤波尺寸为30的增强结果;
图4为进行血管提取的示意性实例;
图5为ROI提取的示意性实例;
图6为具有局部亮区的眼底图像实例;
图7为R通道的像素值远大于B、G通道像素值的图像;
图8为具有伪暗区的眼底图像实例;
图9为分别以视盘为中心和黄斑为中心的眼底图;
图10为对图像内部的非曝光亮区进行排除的实例。
具体实施方式
以下结合附图及其实施例对本发明进行详细说明,但并不因此将本发明的保护范围限制在实施例描述的范围之中。
如图1所示为本发明一个实施例的图像质量控制方法的流程图。需要说明的是,本实施例的流程图是最细化的质量控制过程,但是本领域技术人员应该理解,在一些应用场景下,并不需要进行如此全面的质量控制,这些步骤可以任意组合构成简化的质量控制方法。
首先,获取目标眼底图像的RGB图像数据,然后再进行下述的图像质量判定、筛选和处理。
单通道图像判别:为了获得具有丰富信息的彩色眼底图像,本发明的方法首先基于图像数据获取眼底图像的图像通道数,判断眼底图像是否为单通道灰度图像(如典型的荧光造影眼底图像),若是将其剔除,否则进行下一步处理。需要说明的是,该步骤为可选步骤,仅当被筛选图像中包含非彩色图像时才会添加该步骤,若所有被筛选图像均为彩色图像,则可省略此步骤。
图像尺寸归一化:接下来,考虑到图像拍摄设备的生产厂家不同、型号各异,不同眼底相机获得的眼底图像,在像素尺寸方面不尽相同。为了保证后续图像筛选过程中,依据绝对尺寸进行判别的环节顺利进行,在这里将图像长、宽成倍数缩放至宽度为1500pixel。该步骤仅是针对拍摄图像尺寸不固定或具有不确定性的应用场景,对于图像拍摄尺寸固定的应用场景,此步骤可省。
ROI提取:眼底解剖结构的分析及病变区域的提取检测,均在眼底图像的视场(ROI)内进行。因此,需要去除周围的黑色背景。本发明采用自适应阈值分割及模板匹配的方法,将黑色背景去除。
前眼图像判别:接下来,判断目标眼底图像是否为前眼图像,若为前眼图像,则将该目标眼底图像去除。
具体而言,在一种优选实现方式中,采用下述方式进行前眼判别。
在图像B通道正中央指定范围的圆内,固定阈值(230-255)提取绝对亮区,并筛选圆度>0.8的区域。若有符合条件的区域,即认为是眼珠中央反光区,判定为前眼。
否则,继续下面判断。
设置较宽松的阈值提取亮区:先采用200*200的窗口对R通道图进行中值分离滤波,得到图像ImageMedian,进而与R图做差,结果表示为ImageSub。对ImageSub采用固定阈值(90-255)提取亮区,并分割成几块连通域。提取黑眼珠区域,分别判断各亮区与黑眼珠区域的交集,若某一亮区完全在黑眼珠区域内。认定确实为黑眼珠区域及中央反光亮区。判定为前眼。
否则,继续下面判断。
采用candy算子在全幅灰度图上进行轮廓线提取,并对得到的线进行长度、圆度、凸性的筛选,如果满足长度、圆度、凸性的轮廓线恰巧位于黑眼珠区域内。即认定其为瞳孔和眼珠之间的边缘线,判定图像为前眼图。
否则,判定为非前眼图。
曝光异常图像判别:获取目标眼底图像中的R通道图以及灰度图像,并且根据R通道图、灰度图像上ROI内均值确定图像上的极亮区域、极暗区域占图像的面积比例,并且将所述面积比例与目标阈值进行比较,以判定图像是否属于曝光异常。
图像校正:对目标图像进行颜色、亮度以及曝光分布的归一化处理,归一化的具体过程包括:根据图像的曝光分布,拟合一个二次曲面,然后根据拟合的曲面对图像的亮度分布进行反补偿;然后,统计高质量图像其颜色和亮度通道上的灰度直方图峰值作为参考,把被处理图像的色调、饱和度和亮度信息的灰度直方图都近似归一化到参考值上。
图像增强:采用多尺度中值滤波来达到对病变区域、眼底解剖结构的增强。首先,基于计算病变尺度来确定滤波尺度。
如图2所示为采用多尺度中值滤波来对病变区域、眼底解剖结构进行增强的示意图。在高度为1500pixel的45°视角眼底图中,视盘、黄斑的半径约为200pixel,出血、渗出等病变尺寸范围较大,十几到几百不等。本发明的方法中,我们设置滤波尺度从240到80,以40递减,对原图的G通道(下图左侧)做5次滤波后,分别与G通道图做差,对5张差图进行主成分分析(PCA),获得最终的增强图(下图右侧)。
如图3所示为滤波尺寸为30的增强结果,可以看到,出血小点更清晰,但是,大的视盘结构却近乎消失。因此,采用上述多尺度滤波来获得各个尺度结构的共同增强效果。
模糊度值表示:为了更准确的量化眼底图像的清晰程度,我们这样定义,采用同一种方法在增强图上提取线,计算线区域的梯度值。具体而言,在增强图上利用高斯滤波提取线,根据线的长度、灰度值筛选线条,并膨胀为区域;同时在增强图上求高斯梯度幅值,计算幅值图上筛选线条覆盖区域内的均值;对其取对数并归一到0~1区间,作为模糊程度的度量值,用FuzzFactor表示,其中,0表示最模糊,1表示最清晰。
全局模糊图像判别:分别设定模糊度值阈值、线条区域总面积阈值、最长线条长度阈值,将测得的模糊度值、线条区域总面积、最长线条长度值分别与各个阈值进行比较,三者与各自阈值相比较,若任意一个小于其对应的阈值,则判别为全局模糊图像。
全局模糊且暗图像判别:全局模糊图像包括由于离焦造成的模糊以及由于病变造成的模糊。这两类图像分离难度大,需要大夫审定。其中模糊且暗的图像由于质量问题无法提供有效的医学诊断信息,可以完全抛弃。我们根据ROI区域在R、G、B三通道均值的比值,设定不同的灰度阈值来判定全局暗图像;根据灰度均值、三通道比值、灰度直方图比例设定暗区域提取阈值,计算暗区域面积比例来判定全局模糊且暗的图像。
血管提取:针对提取血管这一目标,首先对图像进行增强。确定特征明显的粗且长的血管,依据主干血管与分支血管的相连、伸展、方位角度等特点层层添加分支小血管。根据血管候选区的宽度、颜色、位置等信息筛除非血管区域。血管提取可以采用现有的基于Gabor滤波及区域生长的血管提取方法进行。
如图4所示,图中左侧是最先提取到的主血管,在主血管基础上,层层添加分支血管,最终血管网络如右图。
视盘定位、黄斑区定位:可选地,本发明还可以对视盘和黄斑区进行定位。这里的视盘定位和黄斑区定位采用现有的特征提取方式进行即可。
局部亮区图像判别:
亮区提取:在B通道提取眼底图像中的白色亮区候选区,在R、G通道联合提取黄色亮区候选区。并基于候选区均值与整体均值比值、候选区宽度范围排除非曝光亮区,并排除视盘干扰,得到曝光亮区。
具体而言,可以将B通道的所有像素值整体加上某一定值,调整为像素均值为100的图像BNomal,取像素直方图分布中最高的20%,临界像素值表示为Bmax。将120与BMax中的大者设为阈值来提取区域,记为BrightHisto。BrightHisto对应于图像中白亮区。
同时以阈值(150-255)在R通道图中提取区域Rlight,以阈值(130-255)在G通道提取区域Glight。为了对Rlight、Glight做出范围限制,提取Bnomal图中像素值最高35%所对应的区域Rlight、Glight三者做交集,得到RGIntersection。RGIntersection对应于图像中偏黄色亮区。BrightHisto、RGIntersection取并集得到候选亮区。
对每一块候选亮区再次进行以下判断:
(1)排除视盘区域。候选亮区与视盘区域做交集,交集面积>候选区面积的1/3时,将交集面积排除。
(2)采像过程中产生的曝光亮区多存在于图像边缘。这里我们需要将存在于图像内部的非曝光亮区(如红色豹纹斑)如图10,排除。采用形态学腐蚀运算(10pixel的圆模板)获得ROI的边缘RegionErosion,RegionErosion与候选亮区做交集得到RegionEdgesInter区域。如果交集面积小于边缘面积的1/30,且候选亮区R通道均值>1.2倍的B通道均值时。认定该区域为非曝光亮区,予以排除。
(3)对提取的亮区进行宽度判断。首先对候选区域做距离变换,变换后亮度值表示距离外界的距离值(如下图3)。若最大值大于图像宽度的1/6,将该候选区从曝光亮区中排除。
经过上述三步的筛选排除,剩余的候选亮区即为最终要得到的曝光亮区。
接下来,并未立刻对图片是否属于局部亮区图片做出归属判断。主要考虑到有些低质量图像可能同时存在局部亮区和局部暗区,如果单独看亮暗区影响均不大,但是综合两种因素,会造成图像可视区域小、病变判别困难等。所以,本发明的方法是将亮暗区同时存在且达到异常阈值的图像分类到局部亮区图像中。这里,对具有多重归属的图像,进行如下处理:
1、亮区、暗区同时存在,且各自分别达到“亮区图像”、“暗区图像”判定条件的情况下,将图像分类到局部亮区图像中;这是因为,申请人发现暗区较之于亮区而言形成原因更加多样化,将这样的图像分类到亮区,可以减少之后暗区一类内部细分的复杂性,提高分类精度。
2、局部模糊且局部有暗区的图像,如果模糊度值高于一定阈值(即图像清晰),分到局部暗区图像一类,如果模糊度值不高于所述阈值,分到局部模糊图像一类中。
暗区提取:首先判断ROI的完整性,ROI残缺部分定义为一种暗区。再从ROI中减去曝光亮区,根据余下区域的灰度均值、直方图比例分布、RGB三通道对比度等确定提取暗区的阈值。得到暗区候选区后,逐一甄别,根据候选暗区的面积、候选暗区与周围区域的对比度、候选暗区与黄斑及视盘结构的位置关系、候选暗区内血管的比例、血管分布的均衡性、图像的模糊度值等因素,综合判定是否为轻度暗区图像、重度暗区图像,同时定量输出暗区有效面积。
如图5-9所示为进行ROI提取并判断局部暗区的过程的一个实例。
(1)判断ROI的完整性:图5中右侧区域是提取到的原始ROI,记为RegionA,做A区域的最小外接矩形与最小外接圆的交集,交集即是完整ROI,记为RegionC,与原始ROI做差得到左侧残缺部分,记为RegionB。结合后文,对暗区的判定采取分区域判别、计数累加的形式。设置暗区标志IsImageBlack初始为0。RegionB与RegionC面积比值>0.04时,IsImageBlack+1,比值>0.15时,IsImageBlack+2。说明存在不完整性导致的暗区。
(2)确定暗区提取阈值。如果图像中有曝光亮区,首先将已经提取到的亮区区域减去(图6左侧),否则根据下述计算方法得到的阈值会偏高。接下来,计算灰度图上余下区域的均值GrayMean,根据经验公式得到初始阈值threshold=25+GrayMean/(2+30.0/GrayMean)。然后,根据ROI三通道比值(R通道与G通道比值记为RatioRG)修正阈值。如果图像整体偏红(R通道值过大,经验值即RatioRG>1.4且RatioRB>2.5时),即使像素值很低,依然脉络文理可见,如图7所示。此时,将阈值降低,修正公式为threshold=threshold*3/(1.25*RatioRB)。
同时,对降低的阈值做下限限定,获得灰度图像素直方图,取直方图比例8%处的像素值为阈值下限。
(3)提取暗区,获得暗区候选区,对候选区进一步判断。
根据阈值得到暗区候选区,对每个候选区逐一甄别。如图8所示,其中的“暗区”内部血管清晰,不影响病变观察,属于伪暗区。
计算候选区占总面积的比例BlackRatio,候选区内血管占暗区面积的比例VesselRatio,全图ROI灰度均值与候选区灰度均值的比值ContrastValue。
当(BlackRatio>0.15或者(BlackRatio>0.06并且FuzzFactor>0.5))时进入暗区判断。
进入后,当VesselRatio<0.004(正常眼底图中全血管与全面积的比值约为0.06~0.15)或者ContrastValue>2.2时,IsImageBlack+1。当VesselRatio<0.004并且(ContrastValue>2.2或BlackRatio>0.28)时,IsImageBlack+2。当ContrastValue>2.2并且(VesselRatio<0.004或BlackRatio>0.28)时,IsImageBlack+2。
输出加权后的暗区面积,如果某候选区最终确定为暗区,满足IsImageBlack+2时,该候选区贡献的暗区面积为区域面积*1.2,如果满足IsImageBlack+1时,其贡献的暗区面积计算为区域面积*0.9。
当眼底整体偏红色(即RatioRG>1.4且RatioRB>2.5)时,降低暗区提取阈值,或者说将暗区的条件向严格方向调整,上述ContrastValue值均需要>2.4。
对各个候选区判别时,IsImageBlack累加。IsImageBlack=1时,轻度暗区,IsImageBlack>1时,重度暗区。
接下来,根据暗区与视盘、黄斑的位置关系对IsImageBlack调整(只在视盘中心图、黄斑中心图中调整,其他视区图不做调整)。以视盘为中心的眼底图,边缘(量化为以视盘中心,以视盘直径为半径的圆(记为DiscCircle)之外)有暗区归为轻度暗区,图像可以保留;但以黄斑为中心的眼底图,必须重要结构附近无暗区,量化定义为视盘圆与黄斑圆两圆的外接大圆内(记为OuterCircle)无暗区。由此,程序中判定条件如下:当IsImageBlack>1时,如果图片以黄斑为中心,所有上述最终判定的暗区,与OuterCircle交集面积小于黄斑面积的1/2时,IsImageBlack=1。当IsImageBlack>1时,如果图片以视盘为中心,所有上述最终判定的暗区,与DiscCircle交集为空时,IsImageBlack=1。
当图片以黄斑为中心时,如果暗区与OuterCircle交集面积>黄斑面积时,IsImageBlack=2。
有效亮区、有效暗区获得后,根据亮区暗区面积总和占比、模糊度值等,获得两个分类:局部轻度亮区图像、局部重度亮区图像。
局部暗区图像判别:只具有局部暗区的图像在这一步被分为两类:局部轻度暗区图像、局部重度暗区图像。
然后,可以读不同类别的图像进行不同处理。
一般性局部模糊与黄斑区模糊图像判别:经过层层分筛,到这一步时,低质量图像的共性是模糊度值低,但有部分血管可见,即局部模糊。根据模糊区域的位置,分类为一般性局部模糊、黄斑区模糊两类。黄斑区是眼睛医学病理上的的重要部位,故将黄斑区模糊加以区分。
在上面的分类完成之后,根据采集图像的质量进行不同的处理:
在采像现场(采像人员不具有病变检测阅片能力),采集到的正常眼底图像、轻度暗区图像、轻度亮区图像予以保存通过。用于医生的后续处理。
重度暗区图像、重度亮区图像、全局模糊图像、局部模糊图像出现时,提示采像人员重新拍摄。重新拍摄后质量若无好转,则报告医生或采用其他处理方式。
前眼图像、曝光异常图像、全局模糊且暗图像,做剔除处理。
在视区方面:保证质控程序用于采像现场时,能够控制得到医生需求数量的且视区符合的眼底图像。
本发明所采用的曝光亮区和暗区提取的方法提取效率高、既能够保证最终保留图像为对医生有用的图像,又不会对有用图像进行误筛除。
本发明首次提出了在质量与视区方面具有详细分类的眼底质控方法。应用于基层眼底筛查现场,有助于不具备阅片能力的采像人员获得在视区和质量上都能满足医生需要的图片。对阅片大夫而言,在人工智能高速发展但对图片适应性又不尽完善的时代,高质量的眼底图像可以确保医生的工作,减少医生工作量。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (10)
1.一种眼底图像质量控制方法,其特征在于,所述方法包括下述步骤:
步骤(1)对目标眼底图像进行预处理;
步骤(2)提取目标眼底图像中的感兴趣区域ROI;
步骤(3)在感兴趣区域ROI中提取目标眼底图像的局部亮区和局部暗区,并进行目标眼底图像是否亮暗异常的判定;
步骤(4)基于所述亮暗异常的判定进行图像筛选。
2.根据权利要求1所述的眼底图像质量控制方法,其特征在于,所述方法还包括:判断所述目标眼底图像是否为RGB格式图像,若为非RGB格式图像,则将所述目标眼底图像转换为RGB格式图像。
3.根据权利要求2所述的眼底图像质量控制方法,其特征在于,所述步骤(3)中提取局部亮区的步骤包括:在所述目标眼底图像的B通道图像中,提取眼底图像的白色亮区候选区,在所述目标眼底图像的R、G通道图像中联合提取黄色亮区候选区,对所获得的候选区进行筛选,得到曝光亮区。
4.根据权利要求3所述的眼底图像质量控制方法,其特征在于,所述步骤(3)中提取局部暗区的步骤包括:判断感兴趣区域ROI的完整性,获取感兴趣区域ROI的残缺部作为第一暗区;
从感兴趣区域ROI中减去曝光亮区,基于剩余区域图像设定暗区提取阈值;
基于所确定的暗区提取阈值进行暗区提取。
5.根据权利要求4所述的眼底图像质量控制方法,其特征在于,所述方法还包括:判断所述彩色眼底图像中RatioRG和RatioRB是否分别大于各自阈值,若均大于各自阈值则降低暗区提取阈值。
6.根据权利要求2所述的眼底图像质量控制方法,其特征在于,所述方法还包括:判断所述目标眼底图像是否属于前眼图像,若为前眼图像,则将所述图像剔除。
7.根据权利要求6所述的眼底图像质量控制方法,其特征在于,判断前眼图像的过程为:
获取所述目标眼底图像的B通道图像,在B通道图像中央预定范围内,以第一固定阈值提取绝对亮区,并判断是否存在圆度大于第二阈值的区域,若存在则将所述目标眼底图像判定为前眼图像,否则执行下一步骤;
采用预定窗口对R通道图像进行中值分离滤波获得中值图像;
将所获得的R通道中值图像与R通道图像做差,获得差值图像;
对所述差值图像采用第二固定阈值进行亮区提取,并分割成多个连通域;
提取黑眼珠区域,分别判断各个亮区与黑眼珠区域的交集,若任一亮区完全在黑眼珠区域内,则将所述目标眼底图像判断为前眼图像,否则执行下一步骤;
对所述目标眼底图像的灰度图像进行轮廓提取,基于轮廓线的线条长度、圆度和凸性对所提取轮廓线中进行筛选,若满足预定长度、圆度和凸性要求的轮廓线位于黑眼珠区域内,则判定为前眼图像,否则判定为非前眼图像。
8.根据权利要求1所述的眼底图像质量控制方法,其特征在于,所述方法还包括在所述步骤(1)之后:获取所述目标眼底图像的图像通道数,判断所述图像通道数是否为1,若为1则将所述目标眼底图像剔除。
9.根据权利要求1所述的眼底图像质量控制方法,其特征在于,所述步骤(1)中的图像预处理包括:对所述目标眼底图像进行图像尺寸归一化、曝光异常图像判别、图像校正和图像增强。
10.一种眼底图像质量控制设备,所述质量控制设备包括眼底图像摄取装置、拍摄报警装置、图像分类装置以及图像输出模块,所述图像分类装置包括:对目标眼底图像进行预处理的预处理模块、用于提取目标眼底图像中的感兴趣区域ROI的感兴趣区域提取模块,用于对图像进行分类的分类模块;
所述眼底图像摄取装置用于在拍摄人员的控制下进行眼底图像的拍摄,所述分类模块用于采用权利要求1-9中所述的图像质量控制方法进行眼底图像的分类;
所述拍摄报警装置基于所述分类模块的分类结果,对于不合格图像发出报警,进而提示图像拍摄人员进行重新拍摄,所述图像输出模块用于将分类后的图像进行分类输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669244.2A CN107451998B (zh) | 2017-08-08 | 2017-08-08 | 一种眼底图像质量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710669244.2A CN107451998B (zh) | 2017-08-08 | 2017-08-08 | 一种眼底图像质量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451998A true CN107451998A (zh) | 2017-12-08 |
CN107451998B CN107451998B (zh) | 2020-11-06 |
Family
ID=60489573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710669244.2A Expired - Fee Related CN107451998B (zh) | 2017-08-08 | 2017-08-08 | 一种眼底图像质量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451998B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346149A (zh) * | 2018-03-02 | 2018-07-31 | 北京郁金香伙伴科技有限公司 | 图像检测、处理方法、装置及终端 |
CN108392170A (zh) * | 2018-02-09 | 2018-08-14 | 中北大学 | 一种用于验光仪的人眼追踪装置及识别定位方法 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN109035262A (zh) * | 2018-08-10 | 2018-12-18 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼成像镜面反射光消除方法 |
CN109389600A (zh) * | 2018-10-29 | 2019-02-26 | 上海鹰瞳医疗科技有限公司 | 眼底图像规范化方法及设备 |
CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN109919881A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于豹纹状眼底图像的去豹纹方法及相关设备 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110037651A (zh) * | 2018-01-15 | 2019-07-23 | 江威 | 眼底图像的质量控制方法及装置 |
CN110189312A (zh) * | 2019-05-24 | 2019-08-30 | 北京百度网讯科技有限公司 | 眼底图像的亮度评估方法、装置、电子设备及存储介质 |
CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN110807736A (zh) * | 2019-07-25 | 2020-02-18 | 北京爱诺斯科技有限公司 | 一种眼瞳图像预处理装置 |
CN111008953A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
CN111080577A (zh) * | 2019-11-27 | 2020-04-28 | 北京至真互联网技术有限公司 | 眼底影像质量评估方法和系统、设备及存储介质 |
CN111402184A (zh) * | 2018-12-13 | 2020-07-10 | 福州依影健康科技有限公司 | 一种实现远程眼底筛查和健康服务的方法和系统 |
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理系统及方法 |
CN112435256A (zh) * | 2020-12-11 | 2021-03-02 | 北京大恒普信医疗技术有限公司 | 基于图像的cnv活动性病灶检测方法及装置、电子设备 |
CN113744254A (zh) * | 2021-09-08 | 2021-12-03 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
CN118279702A (zh) * | 2024-06-03 | 2024-07-02 | 爱尔眼科医院集团股份有限公司 | 一种泪溢检测模型构建方法、泪溢检测方法、装置和设备 |
CN118279702B (zh) * | 2024-06-03 | 2024-09-27 | 爱尔眼科医院集团股份有限公司 | 一种泪溢检测模型构建方法、泪溢检测方法、装置和设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
CN103971374A (zh) * | 2014-05-22 | 2014-08-06 | 日立数字安防系统(上海)有限公司 | 一种针对多种亮度条件下图像可视化程度检测的评估方法 |
US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
CN104463140A (zh) * | 2014-12-23 | 2015-03-25 | 天津工业大学 | 一种彩色眼底图像视盘自动定位方法 |
CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
WO2016032397A1 (en) * | 2014-08-25 | 2016-03-03 | Agency For Science, Technology And Research (A*Star) | Methods and systems for assessing retinal images, and obtaining information from retinal images |
CN105474261A (zh) * | 2013-05-23 | 2016-04-06 | 生物梅里埃公司 | 用于改进图像质量的方法、系统和计算机程序产品 |
CN106412534A (zh) * | 2016-10-27 | 2017-02-15 | 成都西纬科技有限公司 | 一种图像亮度调节方法及装置 |
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
- 2017-08-08 CN CN201710669244.2A patent/CN107451998B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
CN103458772A (zh) * | 2011-04-07 | 2013-12-18 | 香港中文大学 | 视网膜图像分析方法和装置 |
US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
CN105474261A (zh) * | 2013-05-23 | 2016-04-06 | 生物梅里埃公司 | 用于改进图像质量的方法、系统和计算机程序产品 |
CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
CN103971374A (zh) * | 2014-05-22 | 2014-08-06 | 日立数字安防系统(上海)有限公司 | 一种针对多种亮度条件下图像可视化程度检测的评估方法 |
WO2016032397A1 (en) * | 2014-08-25 | 2016-03-03 | Agency For Science, Technology And Research (A*Star) | Methods and systems for assessing retinal images, and obtaining information from retinal images |
CN104463140A (zh) * | 2014-12-23 | 2015-03-25 | 天津工业大学 | 一种彩色眼底图像视盘自动定位方法 |
CN106412534A (zh) * | 2016-10-27 | 2017-02-15 | 成都西纬科技有限公司 | 一种图像亮度调节方法及装置 |
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 (5)
Title |
---|
DIANA VEIGA 等: "Quality evaluation of digital fundus images through combined measures", 《JOURNAL OF MEDICAL IMAGING》 * |
JOÃO MIGUEL PIRES DIAS 等: "Retinal image quality assessment using generic image quality indicators", 《INFORMATION FUSION》 * |
肖蔓君 等: "基于Sigmoid函数局部视觉适应模型的真实影像再现", 《光学学报》 * |
苏炳男 等: "远程眼科阅片服务中基层医院上传图像的质量评估分析", 《眼科》 * |
齐嘉骏: "眼底图像中视盘的定位与分割方法研究", 《道客巴巴》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110037651B (zh) * | 2018-01-15 | 2022-03-25 | 江威 | 眼底图像的质量控制方法及装置 |
CN110037651A (zh) * | 2018-01-15 | 2019-07-23 | 江威 | 眼底图像的质量控制方法及装置 |
CN108392170A (zh) * | 2018-02-09 | 2018-08-14 | 中北大学 | 一种用于验光仪的人眼追踪装置及识别定位方法 |
CN108346149A (zh) * | 2018-03-02 | 2018-07-31 | 北京郁金香伙伴科技有限公司 | 图像检测、处理方法、装置及终端 |
CN108665464A (zh) * | 2018-04-03 | 2018-10-16 | 电子科技大学 | 一种基于形态学的高压电塔及高压电线的异物检测方法 |
CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN108961280B (zh) * | 2018-06-29 | 2021-11-02 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
CN109035262A (zh) * | 2018-08-10 | 2018-12-18 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼成像镜面反射光消除方法 |
CN109035262B (zh) * | 2018-08-10 | 2021-08-17 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼成像镜面反射光消除方法 |
CN109447964A (zh) * | 2018-10-23 | 2019-03-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像处理方法及设备 |
CN109389600A (zh) * | 2018-10-29 | 2019-02-26 | 上海鹰瞳医疗科技有限公司 | 眼底图像规范化方法及设备 |
CN109389600B (zh) * | 2018-10-29 | 2022-02-08 | 上海鹰瞳医疗科技有限公司 | 眼底图像规范化方法及设备 |
CN111402184A (zh) * | 2018-12-13 | 2020-07-10 | 福州依影健康科技有限公司 | 一种实现远程眼底筛查和健康服务的方法和系统 |
CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN110021009B (zh) * | 2019-01-18 | 2023-07-21 | 平安科技(深圳)有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
CN109919881B (zh) * | 2019-01-18 | 2023-07-28 | 平安科技(深圳)有限公司 | 基于豹纹状眼底图像的去豹纹方法及相关设备 |
CN109919881A (zh) * | 2019-01-18 | 2019-06-21 | 平安科技(深圳)有限公司 | 基于豹纹状眼底图像的去豹纹方法及相关设备 |
CN110189312B (zh) * | 2019-05-24 | 2021-06-29 | 北京康夫子健康技术有限公司 | 眼底图像的亮度评估方法、装置、电子设备及存储介质 |
CN110189312A (zh) * | 2019-05-24 | 2019-08-30 | 北京百度网讯科技有限公司 | 眼底图像的亮度评估方法、装置、电子设备及存储介质 |
CN110807736A (zh) * | 2019-07-25 | 2020-02-18 | 北京爱诺斯科技有限公司 | 一种眼瞳图像预处理装置 |
CN110428410B (zh) * | 2019-07-31 | 2024-02-27 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN110428410A (zh) * | 2019-07-31 | 2019-11-08 | 腾讯医疗健康(深圳)有限公司 | 眼底医学图像处理方法、装置、设备及存储介质 |
CN111008953B (zh) * | 2019-10-29 | 2023-10-31 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
CN111008953A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技(深圳)有限公司 | 一种数字病理图像质控的方法及装置 |
CN111080577B (zh) * | 2019-11-27 | 2023-05-26 | 北京至真互联网技术有限公司 | 眼底影像质量评估方法和系统、设备及存储介质 |
CN111080577A (zh) * | 2019-11-27 | 2020-04-28 | 北京至真互联网技术有限公司 | 眼底影像质量评估方法和系统、设备及存储介质 |
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理系统及方法 |
CN112435256A (zh) * | 2020-12-11 | 2021-03-02 | 北京大恒普信医疗技术有限公司 | 基于图像的cnv活动性病灶检测方法及装置、电子设备 |
CN113744254A (zh) * | 2021-09-08 | 2021-12-03 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN113744254B (zh) * | 2021-09-08 | 2024-06-07 | 中山大学中山眼科中心 | 一种眼底图像分析方法、系统、存储介质和计算机设备 |
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
CN118279702A (zh) * | 2024-06-03 | 2024-07-02 | 爱尔眼科医院集团股份有限公司 | 一种泪溢检测模型构建方法、泪溢检测方法、装置和设备 |
CN118279702B (zh) * | 2024-06-03 | 2024-09-27 | 爱尔眼科医院集团股份有限公司 | 一种泪溢检测模型构建方法、泪溢检测方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107451998B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451998A (zh) | 一种眼底图像质量控制方法 | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN108416344B (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
Ter Haar | Automatic localization of the optic disc in digital colour images of the human retina | |
Kauppi et al. | DIARETDB0: Evaluation database and methodology for diabetic retinopathy algorithms | |
Gagnon et al. | Procedure to detect anatomical structures in optical fundus images | |
Tavakoli et al. | A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
CN108185984A (zh) | 眼底彩照进行眼底病灶识别的方法 | |
Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
Roychowdhury et al. | Automated detection of neovascularization for proliferative diabetic retinopathy screening | |
Kanth et al. | Identification of different stages of Diabetic Retinopathy using artificial neural network | |
Rekhi et al. | Automated detection and grading of diabetic macular edema from digital colour fundus images | |
Diaz et al. | Glaucoma diagnosis by means of optic cup feature analysis in color fundus images | |
Allam et al. | Automatic segmentation of optic disc in eye fundus images: a survey | |
CN109377473A (zh) | 一种定位目标取脉点的方法及装置 | |
Prageeth et al. | Early detection of retinal nerve fiber layer defects using fundus image processing | |
Dias et al. | Evaluation of retinal image gradability by image features classification | |
Win et al. | Automated detection of exudates using histogram analysis for digital retinal images | |
CN108230306A (zh) | 眼底彩照血管及动静脉的识别方法 | |
CN110675325A (zh) | 一种增强眼底图像的方法和装置 | |
Mora et al. | A template matching technique for artifacts detection in retinal images | |
Shyam et al. | Blood vessel segmentation in fundus images and detection of glaucoma | |
Tahir et al. | Laser marks detection from fundus images | |
Somasundaram et al. | Detection of exudates for the diagnosis of diabetic retinopathy |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201106 |
|
CF01 | Termination of patent right due to non-payment of annual fee |