CN108230341B - 一种基于分层抠图算法的眼底图像血管分割方法 - Google Patents

一种基于分层抠图算法的眼底图像血管分割方法 Download PDF

Info

Publication number
CN108230341B
CN108230341B CN201810186477.1A CN201810186477A CN108230341B CN 108230341 B CN108230341 B CN 108230341B CN 201810186477 A CN201810186477 A CN 201810186477A CN 108230341 B CN108230341 B CN 108230341B
Authority
CN
China
Prior art keywords
image
region
blood vessel
fundus
fundus image
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.)
Active
Application number
CN201810186477.1A
Other languages
English (en)
Other versions
CN108230341A (zh
Inventor
范衠
卢杰威
朱贵杰
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.)
Shantou University
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN201810186477.1A priority Critical patent/CN108230341B/zh
Publication of CN108230341A publication Critical patent/CN108230341A/zh
Application granted granted Critical
Publication of CN108230341B publication Critical patent/CN108230341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30008—Bone
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明实施例公开了一种基于分层抠图算法的眼底图像血管分割方法，所述方法包括：对眼底图像进行预处理，生成眼底图像的三分图；利用分层抠图算法分割眼底图像三分图中未知区域的血管；对分割后的血管图像进行后处理；将进行后处理的图像在DRIVE和STARE两个公开的数据库上进行测试，得到眼底图像血管分割的结果图。本发明采用一种分层抠图的算法对眼底图像进行处理，可以高效准确地进行眼底图像的血管分割，从而可以帮助医生提高对眼部疾病的诊断效率，并有利于减少可能存在的由于医生疲劳而导致的误诊。

Description

一种基于分层抠图算法的眼底图像血管分割方法
技术领域
本发明属于医学图像处理领域，特别是涉及一种基于分层抠图模型的眼底图像血管分割方法。
背景技术
眼底血管一般呈现出粗到细的离心分布，并且呈网状结构或树状结构。而对眼底血管的分析能够提供很多常见疾病，如高血压、糖尿病等的重要信息因此对眼底血管的形状特征分析有助于及时检测和治疗眼部疾病，而眼底血管的分割是眼底血管分析的第一步，也是其中最为关键的一步
近些年来，眼底血管的分割已经引起了越来越多人的关注。眼底血管的分割算法大致可以分为两类：无监督算法和监督算法。无监督算法是通过某种规则来提取血管目标，包括匹配滤波，形态学处理，血管追踪，多尺度分析等算法。在监督算法中，主要分为两个过程：特征提取和分类。特征提取阶段通常包括Gabor滤波，高斯匹配滤波，形态学增强等方法。分类阶段通常包括的分类器有朴素贝叶斯，SVM等分类器。但是，该种方法对于像素的判断不能很好的考虑每个像素与其周围领域像素之间的联系。在无监督算法中，研究者不断地挖掘血管的内部特征，并根据这些特征进行眼底图像血管分割算法的设计。现有的眼底图像血管算法分割的精度不高，而时间复杂度较高，无法满足实际要求，因此发明一种高效的眼底图像血管分割算法显得尤为重要。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于分层抠图算法的眼底图像血管分割方法。可对血管进行高精度分割。
为了解决上述技术问题，本发明实施例提供了一种基于分层抠图算法的眼底图像血管分割方法，该方法对血管分割精度高，可以帮助医生提高对眼部疾病的诊断效率。
为实现上述目的，本发明提供的一种基于分层抠图算法的眼底图像血管分割方法，包括以下步骤：
步骤1：利用区域特征对眼底图像进行预处理，得到眼底图像的三分图；
步骤2：利用分层抠图算法分割眼底图像三分图中未知区域的血管；
步骤3：对分割后的血管图像进行后处理；
步骤4：将经步骤3处理后的图像在DRIVE和STARE两个公开的眼底图像数据库上进行测试，得到眼底图像血管分割结果图。
其中，
所述步骤1中，所使用的区域特征包括：区域面积特征Area，区域延展特征Extent和区域比例特征Vratio。
对眼底图像的预处理包括三步：眼底图像的初步分割；眼底图像的血管骨骼提取；眼底图像三分图的生成。
其中，对眼底图像的预处理的三个步骤具体为：
(a)眼底图像的初步分割处理：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用两个阈值0.2和0.35对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于0.2的区域为背景区域B，像素值在0.2和0.35之间的区域为未知区域U，像素值大于0.35的区域为血管区域V1；
(b)眼底图像的血管骨骼提取：指对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用阈值0.55对变换后的图像进行二值化，得到二值图像T，根据所述区域面积特征Area将二值图像T分成三部分：
Figure BDA0001590416180000021
式中，a1＝fi×2，a2＝fi×35，
Figure BDA0001590416180000022
h和w为图像的高和宽，去除图像T2中区域特征为Extent>0.25且Vratio<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像S；
(c)眼底图像三分图的生成：将所述骨骼图像S与所述血管区域V1进行并操作，即V1∪S得到血管区域V，然后将所述血管区域V、背景区域B和未知区域U进行合并得到眼底图像的三分图。
进一步地，所述步骤2中分层抠图算法包含两步：对所述未知区域U中的像素点进行分层和对分层后每层的像素点进行分类。
其中，
对所述未知区域U中像素点进行分层是指计算所述未知区域中U像素点和血管区域V中所有像素点的距离，选择距离大小最小的距离作为未知区域U中像素点的分层距离，未知区域U中分层距离最大的像素点分在最后一层，未知区域U中分层距离最小的像素点分在第一层，依次类推。
对每层像素点进行分类是指从第一层开始，先根据相关公式β(u,k)确定每层的未知像素点u和已知像素点k(背景点和血管点)的关系，相关公式β(u,k)的定义如下：
Figure BDA0001590416180000031
式中，u和k分别表示未知区域U的像素点和已知区域(背景区域B和血管区域V)的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值，β值小表示未知像素点和某个已知像素点的关系紧密，否则表示关系不紧密，针对每层的每个未知像素点，将关系最紧密的已知像素点的标记(血管或背景)赋给未知像素点以进行像素点更新，每层更新后，将该层更新的像素点加入到已知像素点中。
进一步地，所述步骤3中，对分割后的血管图像进行后处理是指去除利用分层抠图算法分割得到的血管图像中区域特征为Area<a2，Extent>0.25且Vratio<2.2的区域。
本发明的基于分层抠图算法的眼底图像血管分割方法，采用能够高效准确地进行眼底图像中血管的分割，可以帮助医生提高对眼部疾病诊断的效率，并有利于减少可能存在的由于医生劳累而导致的误诊。
附图说明
图1为本发明的基于分层抠图算法的眼底图像血管分割方法的总体流程图；
图2为本发明的用于测试的眼底血管样本图像；
图3为图2的眼底图像血管分割结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供该实施例的目的是使对本发明的公开更加透彻全面。
请参阅图1，本发明提供一种基于分层抠图算法的眼底血管分割方法，该方法包括以下步骤：
步骤1：利用区域特征对眼底图像进行预处理，生成眼底图像的三分图。所使用的区域特征包括：区域面积特征Area,区域延展特征Extent和区域比例特征Vratio。
对眼底图像的预处理包括三步：眼底图像的初步分割；眼底图像的血管骨骼提取；眼底图像三分图的生成。
对眼底图像的预处理的三个步骤具体为
(a)眼底图像的初步分割处理：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用两个阈值0.2和0.35对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于0.2的区域为背景区域B，像素值在0.2和0.35之间的区域为未知区域U，像素值大于0.35的区域为血管区域V1；
(b)眼底图像的血管骨骼提取：指对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用阈值0.55对变换后的图像进行二值化，得到二值图像T，根据所述区域面积特征Area将二值图像T分成三部分：
Figure BDA0001590416180000041
式中，a1＝fi×2，a2＝fi×35，
Figure BDA0001590416180000051
h和w为图像的高和宽，去除图像T2中区域特征为Extent>0.25且Vratio<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像S；
(c)眼底图像三分图的生成：将所述骨骼图像S与所述血管区域V1进行并操作，即V1∪S得到血管区域V，然后将所述血管区域V、背景区域B和未知区域U进行合并得到眼底图像的三分图。
步骤2：利用分层抠图算法分割眼底图像三分图中未知区域的血管。分层抠图算法包含两步：对所述未知区域U中的像素点进行分层和对分层后每层的像素点进行分类。
对所述未知区域U中像素点进行分层是指计算所述未知区域U中像素点和血管区域V中所有像素点的距离，选择距离大小最小的距离作为未知区域U中像素点的分层距离，未知区域U中分层距离最大的像素点分在最后一层，未知区域U中分层距离最小的像素点分在第一层，依次类推。
对每层像素点进行分类是指从第一层开始，先根据相关公式β(u,k)确定每层的未知像素点u和已知像素点k(背景点和血管点)的关系，相关公式β(u,k)的定义如下：
Figure BDA0001590416180000052
式中，u和k分别表示未知区域U的像素点和已知区域(背景区域B和血管区域V)的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值，β值小表示未知像素点和某个已知像素点的关系紧密，否则表示关系不紧密，针对每层的每个未知像素点，将关系最紧密的已知像素点的标记(血管或背景)赋给未知像素点以进行像素点更新，每层更新后，将该层更新的像素点加入到已知像素点中。
步骤3：对分割后的血管图像进行后处理。对分割后的血管图像进行后处理是指去除利用分层抠图算法分割得到的血管图像中区域特征为Area<a2，Extent>0.25且Vratio<2.2的区域。
步骤4：将该方法在两个公开的数据库上：DRIVE和STARE进行测试，输出血管分割的测试结果。DRIVE数据库包含40张眼底图像，其中20张用于训练，20张用于测试；STARE数据库包含20张眼底图像。分割后的眼底血管样本图像请参阅图3。血管分割的测试结果为：在DRIVE数据库上，特异性为0.981，敏感性为0.736，准确率为0.960；在STARE数据库上，特异性为0.970，敏感性为0.791，准确率为0.957。其中特异性表示检测斜眼患者的能力，敏感性表示检测普通人的能力，准确率描述方法的整体效果。
从测试的结果可知，本发明基于分层抠图算法的眼底血管分割方法采用了一种分层抠图的方法，能够高效准确地进行眼底血管的分割，得到高准确度的血管分割结果，利用本发明实施例来进行眼底图像血管分割，将有助于帮助医生提高诊断眼部疾病的效率，并有利于减少可能存在的由于医生疲劳而导致的误诊。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种基于分层抠图算法的眼底图像血管分割方法，其特征在于，包含如下步骤：
步骤1：利用区域特征对眼底图像进行预处理，得到眼底图像的三分图，所述三分图的获取方法包括：将眼底图像的初步分割处理，眼底图像的血管骨骼提取，将获得的骨骼图像与血管区域进行并操作，然后将所述血管区域、背景区域和未知区域进行合并得到所述三分图；
步骤2：利用分层抠图算法分割所述眼底图像三分图中未知区域的血管，所述分层抠图算法的步骤包括：对所述未知区域中的像素点进行分层和对分层后每层的像素点进行分类，所述对所述未知区域中的像素点进行分层的步骤包括计算所述未知区域中像素点和血管区域中所有像素点的距离，选择距离大小最小的距离作为所述未知区域中像素点的分层距离，所述未知区域中分层距离最大的像素点分在最后一层，所述未知区域U中分层距离最小的像素点分在第一层，所述对分层后每层的像素点进行分类的步骤包括从第一层开始，根据相关公式β(u，k)确定每层的未知像素点和已知像素点的关系，所述相关公式β(u，k)的定义如下：
Figure FDA0003230610250000011
其中，u和k分别表示未知区域的像素点和已知区域的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值；
步骤3：对分割后的血管图像进行后处理。
2.根据权利要求1所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，所述步骤1中，所使用的区域特征包括：区域面积特征，区域延展特征和区域比例特征。
3.根据权利要求2所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，
所述眼底图像的初步分割的步骤包括：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用第一、第二阈值对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于第一阈值的区域为背景区域，像素值在第一、第二阈值之间的区域为未知区域，像素值大于第二阈值的区域为血管区域；
所述眼底图像的血管骨骼提取的步骤包括：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用第三阈值对变换后的图像进行二值化，得到二值图像，根据所述区域面积特征将所述二值图像分成三部分：
Figure FDA0003230610250000021
式中，a1＝fi×2，a2＝fi×35，
Figure FDA0003230610250000022
h和w为图像的高和宽，去除图像T2中区域特征>0.25且区域比例特征<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像。
4.根据权利要求3所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，
所述步骤3中，对分割后的血管图像进行后处理包括去除利用分层抠图算法分割得到的血管图像中区域特征<a2，区域延展特征>0.25且区域比例特征<2.2的区域。
CN201810186477.1A 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法 Active CN108230341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810186477.1A CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810186477.1A CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Publications (2)

Publication Number Publication Date
CN108230341A CN108230341A (zh) 2018-06-29
CN108230341B true CN108230341B (zh) 2021-12-17

Family

ID=62667061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810186477.1A Active CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Country Status (1)

Country Link
CN (1) CN108230341B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308708B (zh) * 2018-09-09 2020-04-03 深圳硅基仿生科技有限公司 低像素的图像处理方法、装置以及视网膜刺激器
CN110009626A (zh) * 2019-04-11 2019-07-12 北京百度网讯科技有限公司 用于生成图像的方法和装置
CN110503704B (zh) * 2019-08-27 2023-07-21 北京迈格威科技有限公司 三分图的构造方法、装置和电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138645A2 (en) * 2009-05-29 2010-12-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography
CN101951511A (zh) * 2010-08-19 2011-01-19 深圳市亮信科技有限公司 一种通过分析深度进行视频场景分层的方法
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
WO2014143891A1 (en) * 2013-03-15 2014-09-18 University Of Iowa Research Foundation Automated separation of binary overlapping trees
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN105069790A (zh) * 2015-08-06 2015-11-18 潍坊学院 一种齿轮外观缺陷快速影像检测方法
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及系统
CN106340027A (zh) * 2016-08-26 2017-01-18 西北大学 一种基于图像超分辨率的书法背景重建方法
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统
CN107133959A (zh) * 2017-06-12 2017-09-05 上海交通大学 一种快速的血管边界三维分割方法及系统
CN107730528A (zh) * 2017-10-28 2018-02-23 天津大学 一种基于grabcut算法的交互式图像分割与融合方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5289219B2 (ja) * 2009-07-09 2013-09-11 キヤノン株式会社 撮影装置及びその制御方法
US9757023B2 (en) * 2015-05-27 2017-09-12 The Regents Of The University Of Michigan Optic disc detection in retinal autofluorescence images

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138645A2 (en) * 2009-05-29 2010-12-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography
CN101951511A (zh) * 2010-08-19 2011-01-19 深圳市亮信科技有限公司 一种通过分析深度进行视频场景分层的方法
WO2014143891A1 (en) * 2013-03-15 2014-09-18 University Of Iowa Research Foundation Automated separation of binary overlapping trees
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN105069790A (zh) * 2015-08-06 2015-11-18 潍坊学院 一种齿轮外观缺陷快速影像检测方法
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及系统
CN106340027A (zh) * 2016-08-26 2017-01-18 西北大学 一种基于图像超分辨率的书法背景重建方法
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及系统
CN107133959A (zh) * 2017-06-12 2017-09-05 上海交通大学 一种快速的血管边界三维分割方法及系统
CN107730528A (zh) * 2017-10-28 2018-02-23 天津大学 一种基于grabcut算法的交互式图像分割与融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Blood vessel segmentation of fundus images by major vessel extraction and subimage classification;S. Roychowdhury等;《IEEE J. Biomed. Health Inform》;20150531;第19卷(第3期);第1118-1128页 *
彩色眼底图像视网膜血管分割方法研究进展;朱承璋等;《计算机辅助设计与图形学学报》;20151130;第27卷(第11期);第2046-2057页 *

Also Published As

Publication number Publication date
CN108230341A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
Jin et al. DUNet: A deformable network for retinal vessel segmentation
Wang et al. Breast cancer detection using extreme learning machine based on feature fusion with CNN deep features
William et al. A review of image analysis and machine learning techniques for automated cervical cancer screening from pap-smear images
Javidi et al. Vessel segmentation and microaneurysm detection using discriminative dictionary learning and sparse representation
Hariraj et al. Fuzzy multi-layer SVM classification of breast cancer mammogram images
Uysal et al. Computer-aided retinal vessel segmentation in retinal images: convolutional neural networks
CN110706225B (zh) 基于人工智能的肿瘤识别系统
CN108230341B (zh) 一种基于分层抠图算法的眼底图像血管分割方法
CN108695000B (zh) 基于超声图像的甲状腺弥漫性疾病智能诊断系统
Fan et al. Automated blood vessel segmentation of fundus images using region features of vessels
Alshayeji et al. An efficient multiple sclerosis segmentation and detection system using neural networks
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
Raj et al. Automatic psoriasis lesion segmentation from raw color images using deep learning
Wisaeng et al. Brain tumor segmentation using fuzzy otsu threshold morphological algorithm
Wang et al. Optic disc detection based on fully convolutional neural network and structured matrix decomposition
Lee et al. Cardiac CT Image Segmentation for Deep Learning-Based Coronary Calcium Detection Using K-Means Clustering and Grabcut Algorithm.
Basavaraju et al. Early Detection of Diabetic Retinopathy Using K-means Clustering Algorithm and Ensemble Classification Approach.
Xue et al. A saliency and Gaussian net model for retinal vessel segmentation
CN116188786A (zh) 一种肝胆管及胆道结石的图像分割系统
Das et al. Overview and Analysis of Present-Day Diabetic Retinopathy (DR) Detection Techniques
Vijayalakshmi et al. Development of prognosis tool for type-II diabetics using tongue image analysis
Shanthi et al. Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning
Asiri et al. A deep learning-based unified framework for red lesions detection on retinal fundus images
Manju et al. Early diagnosis of lung tumors for extending patients’ life using deep neural networks
Sokouti et al. Artificial intelligent systems application in cervical cancer pathological cell image classification systems—a review

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