CN107832695A - 在视网膜图像中基于纹理特征的视盘识别方法及装置 - Google Patents
在视网膜图像中基于纹理特征的视盘识别方法及装置 Download PDFInfo
- Publication number
- CN107832695A CN107832695A CN201711058161.6A CN201711058161A CN107832695A CN 107832695 A CN107832695 A CN 107832695A CN 201711058161 A CN201711058161 A CN 201711058161A CN 107832695 A CN107832695 A CN 107832695A
- Authority
- CN
- China
- Prior art keywords
- image
- optic disk
- energy
- textures
- retinal images
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
Landscapes
- Engineering & Computer Science (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)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种在视网膜图像中基于纹理特征的视盘识别方法,属于视网膜图像处理技术领域,针对视网膜图像可以帮助诊断疾病的特点,采用的技术方案为:基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,识别视盘位置,其实现步骤为:读入视网膜彩色图像;从视网膜彩色图像中提取出红色通道图像;在红色通道图像中计算灰度共生矩阵,得到以每个像素点为中心的能量纹理特征值,并得到由能量纹理特征值组成的能量纹理特征矩阵,将此能量纹理特征矩阵转换成能量纹理特征影像;依据能量值的差异对能量纹理特征影像进行图像分割;对分割后的图像进行处理,得到最终的视盘识别结果,提高图像检测效率和诊断准确率。
Description
技术领域
本发明涉及视网膜图像处理技术领域,具体地说是一种在视网膜图像中基于纹理特征的视盘识别方法及装置。
背景技术
视网膜图像在医学领域应用比较广泛,它对于许多疾病的诊断有很大的帮助:例如白内障、青光眼、老年退化性黄斑病变等,另外,在糖尿病、高血压、中风等一些疾病的诊断中也经常用到。
通过使用图像处理技术对视网膜图像进行分析和处理,不仅能提高视网膜图像的检测效率、还能提高诊断的准确率、避免人为判断的主观差异。在视网膜图像的处理领域,视盘的识别是一个比较重要的任务。
能量纹理特征,是灰度共生矩阵各元素值的平方和,是对图像纹理的灰度变化稳定程度的度量,反应了图像灰度分布均匀程度和纹理粗细度。能量值大表明当前纹理是一种规则变化较为稳定的纹理。
基于上述陈述,设计一种在视网膜图像中基于纹理特征的视盘识别方法及装置。
发明内容
本发明的技术任务是针对现有技术的不足,提供一种在视网膜图像中基于纹理特征的视盘识别方法,通过处理能量纹理特征影像实现视盘位置的识别,以能提高视网膜图像的检测效率和诊断准确率,避免人为判断的主观差异。
本发明的技术任务是按以下方式实现的:
在视网膜图像中基于纹理特征的视盘识别方法,该视盘识别方法基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别;
该视盘识别方法的实现步骤包括:
1)读入视网膜彩色图像;
2)从视网膜彩色图像中提取出红色通道图像;
3)在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像;
4)依据能量值的差异,对能量纹理特征影像进行图像分割;
5)对分割后的图像进行处理,得到最终的视盘识别结果。
在上述陈述中,通过滑动窗口的方式完成步骤3),所涉及滑动窗口可以是3*3窗口、5*5窗口或7*7窗口。
众所周知的是,灰度共生矩阵是对图像上保持某距离的两像素点分别具有某灰度的状况进行统计得到的。对于图像中的任意一个像素点(x,y)及偏离它的另一个像素点(x+a,y+b),假定这一对像素点的灰度值为(g1,g2)。令像素点(x,y)在整个画面上移动,则会得到各种灰度值(g1,g2),设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率p(g1,g2),这样的方阵即称为灰度共生矩阵。得到以每个像素点为中心的灰度共生矩阵之后,为其计算出能量纹理特征值。计算能量纹理特征值所使用的公式如下:
通过滑动窗口,灰度共生矩阵和能量纹理特征值的计算可以生成一个能量纹理特征的影像。通常采用的方法是:
首先,用每一个小窗口滑过所覆盖形成的子影像,计算子影像区域内的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第一个小窗口的能量纹理特征值的计算;
然后,窗口被移动到下一个像素点形成另外一个小的窗口及其所覆盖的子影像,再重复计算新的子影像的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第二个小窗口的能量纹理特征值的计算;
依次类推,这样滑动窗口在整个图像滑动遍历完之后就会形成一个由能量纹理特征值组成的能量纹理特征值矩阵,将这个能量纹理特征值矩阵转换成能量纹理特征影像。
所涉及步骤5)中,对分割后的图像进行处理的具体操作是:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
根据上述视盘识别方法,本发明还提供一种在视网膜图像中基于纹理特征的视盘识别装置,该视盘识别装置基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别;该视盘识别装置包括:
读入模块,用于读入视网膜彩色图像;
提取模块,用于从视网膜彩色图像中提取出红色通道图像;
计算转换模块,用于在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像;
分割模块,用于依据能量值的差异对能量纹理特征影像进行图像分割;
处理模块,用于对分割后的图像进行处理,得到最终的视盘识别结果。
所涉及计算转换模块通过滑动窗口的方式处理红色通道图像。
所涉及滑动窗口可以是3*3窗口、5*5窗口或7*7窗口。
所涉及处理模块按照以下步骤对分割后的图像进行处理的:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
根据上述视盘识别方法及装置,本发明还提供一种计算设备,包括:
至少一个处理器;
存储有程序指令的存储器,所涉及的程序指令包括如上所述视盘识别装置,所涉及处理器被配置为适于根据存储器中存储的视盘识别装置执行如上所述视盘识别方法。
本发明的在视网膜图像中基于纹理特征的视盘识别方法及装置和现有技术相比具有以下优点:
1)本发明提供的视盘识别方法基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别,能提高视网膜图像的检测效率和诊断准确率,避免人为判断的主观差异;
2)本发明提供的视盘识别装置同样基于视网膜图像的能量纹理特征,通过对能量纹理特征影像的分割及处理实现视盘位置的识别,以此提高视网膜图像的检测效率和诊断准确率,避免人为判断的主观差异;
3)本发明还提供一种计算设备,以便于视盘识别方法和视盘识别装置在此计算设备中实施。
附图说明
附图1是本发明的视盘识别方法流程图;
附图2是本发明的视盘识别方法中读入的视网膜彩色图像;
附图3是本发明的视盘识别方法中提取出的红色通道图像;
附图4是本发明的视盘识别方法中转换得到的能量纹理特征影像;
附图5是本发明的视盘识别方法中对能量纹理特征影像进行分割后的图像;
附图6是本发明的视盘识别装置结构连接框图。
附图6中各标号表示:
1、读入模块,2、提取模块,3、计算转换模块,
4、分割模块,5、处理模块。
具体实施方式
参照说明书附图和具体实施例对本发明的在视网膜图像中基于纹理特征的视盘识别方法及装置作以下详细地说明。
实施例一:
本发明的在视网膜图像中基于纹理特征的视盘识别方法,该视盘识别方法基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别。
结合附图1,该视盘识别方法的实现步骤包括:
S10:读入视网膜彩色图像,参考附图2;
S20:从视网膜彩色图像中提取出红色通道图像,参考附图3;
S30:在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像,参考附图4;
S40:依据能量值的差异,对能量纹理特征影像进行图像分割,参考附图5;
S60:对分割后的图像进行处理,得到最终的视盘识别结果。
在上述陈述中,通过滑动窗口的方式完成步骤S20,所涉及滑动窗口可以是3*3窗口、5*5窗口或7*7窗口,本实施例优选5*5窗口。
众所周知的是,灰度共生矩阵是对图像上保持某距离的两像素点分别具有某灰度的状况进行统计得到的。对于图像中的任意一个像素点(x,y)及偏离它的另一个像素点(x+a,y+b),假定这一对像素点的灰度值为(g1,g2)。令像素点(x,y)在整个画面上移动,则会得到各种灰度值(g1,g2),设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率p(g1,g2),这样的方阵即称为灰度共生矩阵。得到以每个像素点为中心的灰度共生矩阵之后,为其计算出能量纹理特征值。计算能量纹理特征值所使用的公式如下:
通过滑动5*5窗口,灰度共生矩阵和能量纹理特征值的计算可以生成一个能量纹理特征的影像。通常采用的方法是:
首先,用每一个小窗口滑过所覆盖形成的子影像,计算子影像区域内的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第一个小窗口的能量纹理特征值的计算;
然后,窗口被移动到下一个像素点形成另外一个小的窗口及其所覆盖的子影像,再重复计算新的子影像的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第二个小窗口的能量纹理特征值的计算;
依次类推,这样滑动窗口在整个图像滑动遍历完之后就会形成一个由能量纹理特征值组成的能量纹理特征值矩阵,将这个能量纹理特征值矩阵转换成能量纹理特征影像。
所涉及步骤S50中,对分割后的图像进行处理的具体操作是:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
通过本发明提供的视盘识别方法,能实现视盘位置的识别,还能提高视网膜图像的检测效率和诊断准确率,避免人为判断的主观差异。
实施例二:
结合附图6,本发明的一种在视网膜图像中基于纹理特征的视盘识别装置,该视盘识别装置基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别。
该视盘识别装置包括:
读入模块1,用于读入视网膜彩色图像;
提取模块2,用于从视网膜彩色图像中提取出红色通道图像;
计算转换模块3,用于在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像;
分割模块4,用于依据能量值的差异对能量纹理特征影像进行图像分割;
处理模块5,用于对分割后的图像进行处理,得到最终的视盘识别结果。
所涉及计算转换模块3通过滑动窗口的方式处理红色通道图像。所涉及滑动窗口可以是3*3窗口、5*5窗口或7*7窗口,本实施例优选5*5窗口。
在本实施例中,计算转换模块3在红色通道图像中通过滑动窗口最后实现能量纹理特征影响的具体操作过程为:
对于图像中的任意一个像素点(x,y)及偏离它的另一个像素点(x+a,y+b),假定这一对像素点的灰度值为(g1,g2)。令像素点(x,y)在整个画面上移动,则会得到各种灰度值(g1,g2),设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率p(g1,g2),这样的方阵即称为灰度共生矩阵。得到以每个像素点为中心的灰度共生矩阵之后,为其计算出能量纹理特征值。计算能量纹理特征值所使用的公式如下:
通过滑动5*5窗口,灰度共生矩阵和能量纹理特征值的计算可以生成一个能量纹理特征的影像。通常采用的方法是:
首先,用每一个小窗口滑过所覆盖形成的子影像,计算子影像区域内的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第一个小窗口的能量纹理特征值的计算;
然后,窗口被移动到下一个像素点形成另外一个小的窗口及其所覆盖的子影像,再重复计算新的子影像的灰度共生矩阵和能量纹理特征值,然后将代表这个窗口能量纹理特征值赋值给窗口的中心像素点,即完成了第二个小窗口的能量纹理特征值的计算;
依次类推,这样滑动窗口在整个图像滑动遍历完之后就会形成一个由能量纹理特征值组成的能量纹理特征值矩阵,将这个能量纹理特征值矩阵转换成能量纹理特征影像。
所涉及处理模块5按照以下步骤对分割后的图像进行处理的:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
通过本发明的视盘识别装置,通过对能量纹理特征影像的分割及处理,同样可以实现视盘位置的识别,还可以提高视网膜图像的检测效率和诊断准确率,避免人为判断的主观差异。
实施例三:
基于上述实施例一和实施例二,本发明还公开一种计算设备,该计算设备适用于根据实施例二公开的视盘识别装置执行实施例一公开的视盘识别方法,该计算设备可以选用PC、笔记本电脑、手机、平板电脑中的任一设备,其结构包括:
至少一个处理器;
存储有程序指令的存储器,所涉及的程序指令包括如上所述视盘识别装置,所涉及处理器被配置为适于根据存储器中存储的视盘识别装置执行如上所述视盘识别方法。
将实施例一公开的视盘识别方法在计算设备中执行,同时,将实施例二公开的视盘识别装置驻留于计算设备中,即能根据视盘识别装置执行视盘识别方法,实现视盘位置的简单精准识别。
尽管根据有限数量的实施例描述了本发明,但是,受益于上面的描述,本技术领域的技术人员应该明白,在由此描述的本发明的范围内,可以设想其他实施例。
此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说,许多修改和变更都是显而易见的。对于本发明的范围,本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (9)
1.在视网膜图像中基于纹理特征的视盘识别方法,其特征在于,该视盘识别方法基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别;
该视盘识别方法的实现步骤包括:
1)读入视网膜彩色图像;
2)从视网膜彩色图像中提取出红色通道图像;
3)在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像;
4)依据能量值的差异,对能量纹理特征影像进行图像分割;
5)对分割后的图像进行处理,得到最终的视盘识别结果。
2.根据权利要求1所述的在视网膜图像中基于纹理特征的视盘识别方法,其特征在于,通过滑动窗口的方式完成步骤3)。
3.根据权利要求2所述的在视网膜图像中基于纹理特征的视盘识别方法,其特征在于,所述滑动窗口为3*3窗口、5*5窗口或7*7窗口。
4.根据权利要求1所述的在视网膜图像中基于纹理特征的视盘识别方法,其特征在于,在步骤5)中,对分割后的图像进行处理的具体操作是:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
5.在视网膜图像中基于纹理特征的视盘识别装置,其特征在于,该视盘识别装置基于视网膜图像的能量纹理特征,根据能量值大小能表明当前纹理的变化是否规则的特性,通过处理能量纹理特征影像实现视盘位置的识别;该视盘识别装置包括:
读入模块,用于读入视网膜彩色图像;
提取模块,用于从视网膜彩色图像中提取出红色通道图像;
计算转换模块,用于在红色通道图像中计算灰度共生矩阵,并得到以每个像素点为中心的能量纹理特征值,进而得到由能量纹理特征值组成的能量纹理特征矩阵,随后将此能量纹理特征矩阵转换成能量纹理特征影像;
分割模块,用于依据能量值的差异对能量纹理特征影像进行图像分割;
处理模块,用于对分割后的图像进行处理,得到最终的视盘识别结果。
6.根据权利要求5所述的在视网膜图像中基于纹理特征的视盘识别装置,其特征在于,计算转换模块通过滑动窗口的方式处理红色通道图像。
7.根据权利要求6所述的在视网膜图像中基于纹理特征的视盘识别装置,其特征在于,所述滑动窗口为3*3窗口、5*5窗口或7*7窗口。
8.根据权利要求5所述的在视网膜图像中基于纹理特征的视盘识别装置,其特征在于,所述处理模块按照以下步骤对分割后的图像进行处理的:
a.通过面积阀值过滤掉一些小的干扰点;
b.通过区域膨胀和腐蚀操作将视盘区域的一些不连通的前景区域组成一个大的连通块;
c.计算视盘区域这个大的连通块内的所有的像素点的质心,用这个质心的坐标作为视盘的中心坐标。
9.一种计算设备,其特征在于,包括:
至少一个处理器;
存储有程序指令的存储器,所述程序指令包括如权利要求5-8中任一项所述的在视网膜图像中基于纹理特征的视盘识别装置,所述处理器被配置为适于根据所述存储器中存储的视盘识别装置执行如权利要求1-4中任一项所述的在视网膜图像中基于纹理特征的视盘识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711058161.6A CN107832695A (zh) | 2017-11-01 | 2017-11-01 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711058161.6A CN107832695A (zh) | 2017-11-01 | 2017-11-01 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107832695A true CN107832695A (zh) | 2018-03-23 |
Family
ID=61651454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711058161.6A Pending CN107832695A (zh) | 2017-11-01 | 2017-11-01 | 在视网膜图像中基于纹理特征的视盘识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832695A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827298A (zh) * | 2019-11-06 | 2020-02-21 | 齐鲁工业大学 | 一种从眼部图片中自动识别视网膜区域的方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102112044A (zh) * | 2008-05-14 | 2011-06-29 | 科学、技术与研究机构 | 自动杯盘比测量系统 |
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 |
CN102860814A (zh) * | 2012-08-24 | 2013-01-09 | 深圳市斯尔顿科技有限公司 | 一种oct合成眼底图视盘中心定位方法及设备 |
CN107292868A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种视盘定位方法及装置 |
-
2017
- 2017-11-01 CN CN201711058161.6A patent/CN107832695A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102112044A (zh) * | 2008-05-14 | 2011-06-29 | 科学、技术与研究机构 | 自动杯盘比测量系统 |
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 |
CN102860814A (zh) * | 2012-08-24 | 2013-01-09 | 深圳市斯尔顿科技有限公司 | 一种oct合成眼底图视盘中心定位方法及设备 |
CN107292868A (zh) * | 2017-05-31 | 2017-10-24 | 瑞达昇科技(大连)有限公司 | 一种视盘定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
曹清慧: "彩色眼底图像中视盘识别算法研究", 《中国优秀硕士学位论文集 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827298A (zh) * | 2019-11-06 | 2020-02-21 | 齐鲁工业大学 | 一种从眼部图片中自动识别视网膜区域的方法 |
CN111291706A (zh) * | 2020-02-24 | 2020-06-16 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN111291706B (zh) * | 2020-02-24 | 2022-11-22 | 齐鲁工业大学 | 一种视网膜图像视盘定位方法 |
CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599528B (zh) | 一种基于神经网络的无监督三维医学图像配准方法及系统 | |
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
WO2020103417A1 (zh) | 一种bmi评测方法、装置及计算机可读存储介质 | |
CN110175502A (zh) | 一种脊柱Cobb角测量方法、装置、可读存储介质及终端设备 | |
CN109523535B (zh) | 一种病变图像的预处理方法 | |
CN109377520B (zh) | 基于半监督循环gan的心脏图像配准系统及方法 | |
CN109544526B (zh) | 一种慢性萎缩性胃炎图像识别系统、装置和方法 | |
WO2022001237A1 (zh) | 鼻咽癌原发肿瘤图像自动识别方法及系统 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN108717700B (zh) | 一种检测结节长短径长度的方法及装置 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
CN115345819A (zh) | 一种胃癌图像识别系统、装置及其应用 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN109241881A (zh) | 一种人体姿态估计方法 | |
CN107832695A (zh) | 在视网膜图像中基于纹理特征的视盘识别方法及装置 | |
CN114937025A (zh) | 图像分割方法、模型训练方法、装置、设备及介质 | |
CN111666890A (zh) | 脊柱变形人群识别方法、装置、计算机设备及存储介质 | |
CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
CN110992309B (zh) | 基于深层信息传递网络的眼底图像分割方法 | |
CN111275673A (zh) | 肺叶提取方法、装置及存储介质 | |
CN110288026A (zh) | 一种基于度量关系图学习的图像分割方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |