CN108416344B - 眼底彩照视盘与黄斑定位识别方法 - Google Patents
眼底彩照视盘与黄斑定位识别方法 Download PDFInfo
- Publication number
- CN108416344B CN108416344B CN201711457501.2A CN201711457501A CN108416344B CN 108416344 B CN108416344 B CN 108416344B CN 201711457501 A CN201711457501 A CN 201711457501A CN 108416344 B CN108416344 B CN 108416344B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- fundus
- area
- color
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000003733 optic disk Anatomy 0.000 title description 3
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 210000002189 macula lutea Anatomy 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 210000004220 fundus oculi Anatomy 0.000 claims description 4
- 241001156002 Anthonomus pomorum Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006740 morphological transformation Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 208000010412 Glaucoma Diseases 0.000 abstract description 3
- 238000012552 review Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000004807 localization Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 206010012667 Diabetic glaucoma Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000000873 fovea centralis Anatomy 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眼底彩照视盘与黄斑定位识别方法，通过对眼底彩照中各部位的自动定位以及测量，达到疾病预筛选的效果，将有病变嫌疑的图片自动筛选出，以供医生复查准确判断是否患病，减少医生工作量；并且其结果不依赖于医生经验，更加客观，能够快速有效地对眼底彩照中的视盘、视杯与黄斑进行定位识别，从而可以辅助诊断正常眼底、青光眼及异常发育的眼底等疾病，实现远程会诊的目的。
Description
技术领域
本发明涉及一种眼底彩照视盘与黄斑定位识别方法。
背景技术
为了迅速大批量地进行眼底彩照中的视盘视杯、黄斑的定位、以及眼 底常见病灶的识别和边界绘制，从而对包括糖尿病视网膜病变、青光眼在 内的多种致盲眼病进行有效准确的预诊断和筛查。在临床中，由于边远山 区、基层医院眼科医生和眼底相关阅片人员等人力所限，如对大量的眼底 彩照一张一张机械性地进行审阅，工作内容繁重、单一重复、且效率不高， 浪费大量的宝贵的人力资源。现有眼底彩照自动识别系统也有涉及到眼底图像自动识别分区方法，但却不是进行眼底结构位置的精确定位，病变识 别。此外现有，方法多是利用网上的标准图片进行参照比较识别，然而现 实临床中的眼底彩照图片并不是标准图片，甚至包括很多聚焦、明暗都有 问题的图片，目前很多系统都是直接将图片进行识别，而不分图片质量， 因为网上的标准库都是质量较好的图片，而且数量都很少。
发明内容
本发明的首要目的是提供一种眼底彩照视盘与黄斑定位识别方法。对 眼底彩照中各部位的自动定位以及测量，达到疾病预筛选的效果，将有病 变嫌疑的图片自动筛选出，以供医生复查准确判断是否患病，减少医生工 作量；并且其结果不依赖于医生经验，更加客观，能够有效的协助医生进 行辅助诊断正常眼底、青光眼及异常发育的眼底等疾病，实现远程会诊的 目的。
为解决上述技术问题，本发明所采用的技术方案是：
本发明提供的眼底彩照视盘与黄斑定位识别方法具有以下特点：
1、通过将形态学方法与机器学习方法相结合，将定位的区域通过形态 学方法进行初步处理，然后进行机器学习方法预测，最后再通过形态学方 法精确定位；
2、对医院或社区采集的大量患者的眼底彩照进行自动识别，以辅助医 生对大量的糖尿病视网膜病变筛查及体检中心常规眼底彩照图片进行诊 断，从而可以辅助诊断糖尿病等疾病；
3、利用大量张真实眼底彩照使模型充分地学习各种情况下图像数据的 特征，使得判断更为精确，并且有更好的容错性，同时系统首先进行眼底 彩照预处理以及图像质量的鉴别，以保证本系统在图片质量参差不齐的情 况下，也能有很好的识别能力，有普适性。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明 的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。 在附图中：
图1为本发明实施例选择的图像示例；
图2为本发明实施例所选择图像的灰度分布；
图3为本发明实施例图像转化的灰度图；
图4为本发明实施例灰度图进行形态变换后示意图；
图5为本发明实施例直方图均衡示意图；
图6为本发明实施例腐蚀膨胀后示意图；
图7为本发明实施例阀值选取后示意图；
图8为本发明实施例黄斑识别结果示意图；
图9为本发明实施例视盘视杯识别结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图 及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体 实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
一种眼底彩照视盘与黄斑定位识别方法，包括以下步骤：
图片质量检测：
一、特征提取：
利用图像的骨架，提取其纹理特征，RGB，三个图层，每个图层提取 15个特征。
首先使用canny算子对图像进行边缘检测，再用中值滤波进行去噪处 理，之后用预处理过的图，计算边缘总像素点的个数、边缘的总周长、边 缘区域的最大高度、最大宽度、奇数链的链码数目(边缘不连续的点的数 目)、目标面积、矩形度、伸长度。
再接着提取图像的七个不变矩特征：
根据清晰度的判断，RGB，每个图层提取5个判断清晰度的特征。
a)灰度熵：
它反映了图像中平均信息量的多少。图像的一维熵表示图像中灰度分 布的聚集特征所包含的信息量，令pi表示图像中灰度值为i的像素所占的比 例，则定义灰度图像的一元灰度熵为：
b)Brenner梯度函数
Brenner梯度函数是最简单的梯度评价函数，它只是简单的计算相邻两 个像素灰度差的平方，该函数定义如下：
f(x,y)表示图像f对应像素点(x,y)的灰度值。
c)方差函数
因为清晰聚焦的图像有着比模糊图像更大的灰度差异，可以将方差函 数作为评价函数：
其中，
为整幅图像的平均灰度值，该函数对噪声比较敏感，图像画面 越纯净，函数值越小。
d)能量梯度函数
e)梯度函数
3、灰度直方图256个特征。
现将RGB如转换成灰度图，Gray＝0.29900*R+0.58700*G+0.11400 *B，然后利用灰度直方图提取特征。
灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。 灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现 的频率。0-255个灰度值的频率，共提取256个特征。
4、将RGB空间进行转换，提取出色彩与纹理特征256个。
利用论文《Color and texture descriptors》将原本的RGB空间转换为HSV 空间，计算色彩直方图，得到有256个特征。
至此，所需的全部特征全部提取完毕，然后利用提取出来的所有特征 作为自变量，图片质量的好坏作为因变量(0或1)，对图片质量进行预测。 这里我们采用随机森林模型进行预测。
一、机器学习进行预测：
随机森林算法：
1、给定训练数据集d＝(X，y)，其中X为提取出来的特征，y为0,1分类 变量(0表示图片质量差，1表示图片质量好)。固定m≤p(m为随机抽取 出的特征个数，p为特征总个数)以及树(决策树算法)的个数B。
2、对每个b＝1，2，...，B，做如下步骤：
a)对训练数据d通过随机从n个样本中抽取n次，构造bootstrap训练集 
b)使用
中的数据构造最大深度的树
随机从p个变量中抽取m个进 行分裂；
c)储存树与bootstrap样本的信息。
3、对任意预测点x0，进行随机森林的拟合与预测。对每棵树
都 会预测出一个类别，这样由于有B棵树，所以可以预测出B个01类别。最 终的预测结果，就是B个类别中，出现次数最多的类别(0或1)。
由于真实图片中存在着大量质量不好的图片，所以通过图片质量检测 先将这批质量不好的图片筛选出来，只针对图片质量过关的眼底图像进行 后续处理。
图像预处理：
预处理采用直方图均衡化。首先在所有的图像中选择一张识别效果最 好的，如图1所示，并提取其RGB三个轨道的灰度分布，如图2所示。将 其作为标准图。
视盘识别：
视盘识别主要分为三个主要步骤：初定位(ROI提取)，精确定位，平 滑拟合
初定位：首先基于视盘具有高亮的特点，其在红色轨道上最为明显， 我们首先选取红色轨道进行分析。具体来说红绿轨道均能肉眼识别视盘位 置，红色轨道更为明显。感兴趣区域(ROI)提取主要是利用自适应阈值分 割的方法。首先将将整张图片更亮的区域用阈值分割的方法提取出来，其 余较暗区域利用均值填补。修改后的图片再次进行阈值切分。通过多次迭 代，将较亮区域面积一步步减小。当ROI面积事先确定的阈值后，停止迭代。然后再对提取出的高亮区域进行筛选。然后提取出该ROI的中心并截 取ROI以供下一步分析。在ROI位置确定的方法上，目前流行的方法类似 的还有简单阈值切割法：Optic cupand disc localization for Detection of glaucoma usingMatlab,HanamantM.Havagondi,2Mahesh S.Kumbhar. Kaiser Window定位法：Blood vessel inpaintingbased technique for efficient localization andsegmentationof optic disc indigital fundus images,Biomedical Signal Processing and Control 25(2016)108–117等。相比较于其他方法，我 们优点在于：单纯利用红轨道信息，血管影响比较小。对于边界曝光过度 的照片。本发明所用方法可以很快去掉这部分影响，不会对ROI提取造成 困扰。而对于一部分图像本身高亮区域过多(或者高度病变，视盘亮度不 够)，这些质量不是很高，ROI定位不准的图片程序会自动提示质量问题， 不进行后续的分析。
精确定位与平滑拟合：
在提取出的ROI中，主要利用形态学处理方法先去掉噪音影响，然后 对于图像进行阈值分割，可以得到相对不光滑的边界位置。然后对于边界 位置进行椭圆拟合(最小外接椭圆)，拟合出一个边界参数方程
x＝a*cos(t)*cos(θ)-b*sin(t)*sin(θ)+x0
y＝a*cos(t)*sin(θ)+b*sin(t)*cos(θ)+y0
其中θ为椭圆倾斜角,a,b为长短半轴，t为参数，x0，y0是椭圆中心坐标。 最后将边界方程绘制在原图上。目前关于视盘边界定位方面，主要还有固 定阈值分割和区域生长等算法。固定阈值分割稳定性最差，边界识别不准， 而我们的自适应阈值方法则根据视盘面积自动选择最优阈值，不会造成视 盘边界的明显误判。而区域生长算法则对于初始种子点选取有一定要求， 并且可能会造成识别区域偏小的问题。
视杯识别：
视杯识别主要是基于视盘识别基础上进行。在进行视盘ROI选取后， 利用超像素算法将ROI切割成若干小连通域。(每个小连通域中像素相近， 可以近似看成属于同一部位)对于分割后的小连通域，提取其特征，包括 像素特征(RGB像素值、方差、HSV值等)，位置结构特征(连通域所在 ROI中的位置等)。然后将每个小连通域看成样本，进行机器学习模型的训 练。再用得到的模型对新图片进行预测。预测结果可以看成视杯区域的大 致形状和位置，再用圆进行拟合，作为视杯识别结果。最后进行校验以及 计算杯盘比。当视杯半径过小或者过大(大于视盘半短轴长度)时，认为 判断不准，弹出报错信息。杯盘比则通过
来进行估计。其中r是视杯半径，a和b分别是视盘半长轴和半短轴；
在视杯识别方面本专利方法比阈值分割和聚类分割更稳定，所用训练 图片越多，预测判别效果越好，也更加精确，图9为视盘视杯识别结果示 意图。
黄斑识别，有两种方式：
一、不考虑视盘，不基于任何部位，直接对图片进行处理并识别。
1、图像读入
a)固定黄斑的直径为10个像素；
b)图片读入后进行图片压缩；
2、图像预处理
a)彩色图转为灰度图
Gray＝0.29900*R+0.58700*G+0.11400*B
灰度可以说是亮度(luminance)的量化值，而RGB的定义是客观的三 个波长值，转换时需要考虑人眼对不同波长的灵敏度曲线，所以系数RGB 三个图层对应的系数如上，如图3所示。
b)对得到的灰度图像进行一系列形态学变换，如图4所示。
c)直方图均衡，如图5所示,再进行腐蚀膨胀，如图6所示；
d)自动选取阈值:我们用通常使用的otsu法(最大类间方差法， 有时也称之为大津算法)使用的是聚类的思想，把图像的灰度数按 灰度级分成两个部分，使得两个部分之间的灰度值差异最大，每个 部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度 级别来划分。所以可以在二值化的时候采用otsu算法来自动选取阈 值进行二值化。
算法细节：
设原始图像的灰度级数为M，总像素点个数为N，灰度级为i的像素 点个数为ni，首先我们对灰度值进行归一化
设分割阈值为t， 将灰度分为两类，每一类出现的概率为
每一 类出现的平均灰度为
总体平均灰度为 
则类间方差定义为：
σ2＝w0*(μ0-μ)2+w1*(μ1-μ)2＝w0*w1*(μ0-μ1)2
从M个灰度级遍历t，使得t为某个值的时候，类间方差最大，则这 个t值便是求得的阈值。最后将t除以255，及得到我们所需要的阈 值。
在对阈值调整后，进行二值分割，大于阈值的取1(白色)，小于阈 值的取0(黑色)，如图7所示。
3、区域筛选
通过计算每个连通域的面积与形态等一定条件进行筛选，筛选出符 合条件的最大连通域，最后确定连通域的中心，此中心即为黄斑中 心凹的位置。其结果如图8、图9所示。
二、考虑视盘，识别出视盘的图片，利用视盘位置初步确定黄斑范围， 然后利用方法一，确定最终的黄斑中心凹位置。若图片未识别出视盘， 则直接全局搜索黄斑的位置。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 在本发明的保护范围之内。
Claims (5)
1.一种眼底彩照视盘与黄斑定位识别方法，其特征在于包括以下步骤：
图片质量检测，输入原始图像，进行图像特征的提取，并对以决策树为基分类器的随机森林模型进行训练，使用随机森林模型对图片质量进行预测，检测出图片质量过关的眼底图像进行后续处理；
图像预处理，在所有的图像中选择一张图片质量最好的，并提取其RGB三个轨道的灰度分布，将其作为标准图；
视盘识别，包括以下步骤：
初定位，首先将整张图片更亮的区域用阈值分割的方法提取出来，其余较暗区域利用均值填补，修改后的图片再次进行阈值切分，通过多次迭代，将高亮区域面积一步步减小，当感兴趣区域面积小于确定的阈值后，停止迭代，再对提取出的高亮区域进行筛选，提取出该感兴趣区域的中心并截取以供下一步分析；
精确定位与平滑拟合：利用形态学处理方法先去掉噪音影响，然后对于图像进行阈值分割以得到相对不光滑的边界位置，然后对于边界位置进行椭圆拟合，最后将边界方程绘制在原图上；
其中，所述图像特征的提取包括以下步骤：
首先使用canny算子对图像进行边缘检测，再用中值滤波进行去噪处理，之后用去噪处理后的图，计算边缘总像素点的个数、边缘的总周长、边缘区域的最大长度、最大宽度、奇数链的链码数目、目标面积、矩形度、伸长度，然后提取图像的七个不变矩特征；
每个图层提取5个判断清晰度的特征：灰度熵、Brenner梯度函数、方差函数、能量梯度函数、梯度函数；
利用灰度直方图提取256个频率特征；
将原本的RGB空间转换为HSV空间，计算色彩直方图，得到256个色彩与纹理特征。
2.如权利要求1所述的眼底彩照视盘与黄斑定位识别方法，其特征在于所述对图片质量进行预测包括以下步骤：
1)给定训练数据集d＝(X,y)，其中x为提取出来的特征，y为0、1分类变量，0表示图片质量差，1表示图片质量好，固定m≤p，m为随机抽取出的特征个数，p为特征总个数，以及决策树算法中树的个数B；
2)对每颗树b，b＝1，b＝2，....，B，做如下步骤：
a)对训练数据d通过随机从n个样本中抽取n次，构造bootstrap训练集
b)使用
中的数据构造最大深度的树
随机从p个变量中抽取m个进行分裂；
c)储存树与bootstrap样本的信息；
3)对任意预测点X0，进行随机森林的拟合与预测，对每棵树
都会预测出一个类别，这样由于有B棵树，所以预测出B个01类别，最终的预测结果，就是B个类别中，出现次数最多的类别。
3.如权利要求1所述的眼底彩照视盘与黄斑定位识别方法，其特征在于还包括视杯识别：
在进行视盘感兴趣区域选取后，利用超像素算法将感兴趣区域切割成若干小连通域，对于分割后的小连通域，提取其特征，包括像素特征、位置结构特征，然后将每个小连通域看成样本，进行机器学习模型的训练，再用得到的模型对新图片进行预测，预测结果看成视杯区域的大致形状和位置，再用圆进行拟合，作为视杯识别结果，最后进行校验以及计算杯盘比，当视杯半径过小或者过大时，认为判断不准，弹出报错信息。
4.如权利要求3所述的眼底彩照视盘与黄斑定位识别方法，其特征在于：
杯盘比则通过公式r/a＜CDR＜r/b来进行估计，其中r是视杯半径，a和b分别是视盘半长轴和半短轴，其中，所述CDR为杯盘比。
5.如权利要求1所述的眼底彩照视盘与黄斑定位识别方法，其特征在于还包括黄斑识别步骤：
图像读入，并径向压缩处理，预设固定黄斑的直径；
图像预处理，将彩色图转为灰度图，对得到的灰度图像进行一系列形态学变换，然后进行直方图均衡，再进行腐蚀膨胀处理；
自动选取阀值，使用otsu法，把图像的灰度数按灰度级分成两个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分；
区域筛选，通过对每个连通域的面积与形态进行筛选，筛选出符合条件的最大连通域，最后确定连通域的中心，此中心即为黄斑中心凹的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711457501.2A CN108416344B (zh) | 2017-12-28 | 2017-12-28 | 眼底彩照视盘与黄斑定位识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711457501.2A CN108416344B (zh) | 2017-12-28 | 2017-12-28 | 眼底彩照视盘与黄斑定位识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108416344A CN108416344A (zh) | 2018-08-17 |
| CN108416344B true CN108416344B (zh) | 2021-09-21 |
Family
ID=63125594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711457501.2A Active CN108416344B (zh) | 2017-12-28 | 2017-12-28 | 眼底彩照视盘与黄斑定位识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108416344B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109199322B (zh) * | 2018-08-31 | 2020-12-04 | 福州依影健康科技有限公司 | 一种黄斑检测方法及一种存储设备 |
| 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 |
| CN109472781B (zh) * | 2018-10-29 | 2022-02-11 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
| CN111435612B (zh) * | 2018-12-26 | 2022-06-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和系统 |
| CN109816637B (zh) * | 2019-01-02 | 2023-03-07 | 电子科技大学 | 一种眼底图像中硬性渗出区域的检测方法 |
| CN109744996B (zh) * | 2019-01-11 | 2021-06-15 | 中南大学 | Oct图像的bmo位置定位方法 |
| CN109662686B (zh) * | 2019-02-01 | 2022-02-25 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
| CN109784337B (zh) * | 2019-03-05 | 2022-02-22 | 北京康夫子健康技术有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于处理眼底图像的方法和装置 |
| CN110363782B (zh) * | 2019-06-13 | 2023-06-16 | 平安科技（深圳）有限公司 | 一种基于边缘识别算法的区域识别方法、装置及电子设备 |
| CN110599505A (zh) * | 2019-09-17 | 2019-12-20 | 上海微创医疗器械（集团）有限公司 | 一种器官图像分割方法、装置、电子设备和存储介质 |
| CN110598652B (zh) * | 2019-09-18 | 2022-04-22 | 上海鹰瞳医疗科技有限公司 | 眼底数据预测方法和设备 |
| CN110739071B (zh) * | 2019-10-10 | 2022-05-31 | 北京致远慧图科技有限公司 | 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 |
| CN111161257A (zh) * | 2019-12-31 | 2020-05-15 | 中山大学中山眼科中心 | 一种广域眼底图像质量控制的方法及人工智能系统 |
| 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 |
| CN111341462A (zh) * | 2020-02-27 | 2020-06-26 | 上海泗科智能科技有限公司 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
| CN112001920B (zh) | 2020-10-28 | 2021-02-05 | 北京至真互联网技术有限公司 | 眼底图像识别方法及装置和设备 |
| CN114937024A (zh) * | 2022-06-13 | 2022-08-23 | 依未科技(北京)有限公司 | 图像评估方法、装置和计算机设备 |
| CN117831033B (zh) * | 2024-03-04 | 2024-05-07 | 南京市浦口人民医院(江苏省人民医院浦口分院) | 基于图像分析的病原微生物智能提取识别方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术（北京）有限公司 | 图像筛选方法及其系统 |
| 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 |
| CN105243669A (zh) * | 2015-10-15 | 2016-01-13 | 四川和生视界医药技术开发有限公司 | 眼底图像自动识别分区方法 |
| CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
| CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和系统 |
| CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
| CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
| CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013184070A1 (en) * | 2012-06-05 | 2013-12-12 | Agency For Science, Technology And Research | A drusen lesion image detection system |
| CN105513077B (zh) * | 2015-12-11 | 2019-01-04 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
| CN106096559A (zh) * | 2016-06-16 | 2016-11-09 | 深圳零度智能机器人科技有限公司 | 障碍物检测方法及系统以及运动物体 |
-
2017
- 2017-12-28 CN CN201711457501.2A patent/CN108416344B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087652A (zh) * | 2009-12-08 | 2011-06-08 | 百度在线网络技术（北京）有限公司 | 图像筛选方法及其系统 |
| 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 |
| CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和系统 |
| CN105243669A (zh) * | 2015-10-15 | 2016-01-13 | 四川和生视界医药技术开发有限公司 | 眼底图像自动识别分区方法 |
| CN106295588A (zh) * | 2016-08-17 | 2017-01-04 | 电子科技大学 | 一种白带显微图像中白细胞的自动识别方法 |
| CN107248161A (zh) * | 2017-05-11 | 2017-10-13 | 江西理工大学 | 一种多特征融合的有监督视网膜血管提取方法 |
| CN107480644A (zh) * | 2017-08-21 | 2017-12-15 | 吉林大学 | 眼底图像中视盘的定位与分割方法、装置和存储介质 |
| CN107506761A (zh) * | 2017-08-30 | 2017-12-22 | 山东大学 | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 眼底图像中黄斑中心与视盘自动检测新方法;郑绍华 等;《电子与信息学报》;20141130;第36卷(第11期);第2586-2592页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108416344A (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416344B (zh) | 眼底彩照视盘与黄斑定位识别方法 | |
| CN108185984A (zh) | 眼底彩照进行眼底病灶识别的方法 | |
| Shen et al. | Domain-invariant interpretable fundus image quality assessment | |
| Yavuz et al. | Blood vessel extraction in color retinal fundus images with enhancement filtering and unsupervised classification | |
| US8098907B2 (en) | Method and system for local adaptive detection of microaneurysms in digital fundus images | |
| Sopharak et al. | Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images | |
| Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
| CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
| Pires et al. | Retinal image quality analysis for automatic diabetic retinopathy detection | |
| Hsu et al. | Chronic wound assessment and infection detection method | |
| KR102313143B1 (ko) | 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법 | |
| Waheed et al. | Hybrid features and mediods classification based robust segmentation of blood vessels | |
| Rasta et al. | Detection of retinal capillary nonperfusion in fundus fluorescein angiogram of diabetic retinopathy | |
| Krishnan et al. | Glaucoma detection from retinal fundus images | |
| Mithun et al. | Automated detection of optic disc and blood vessel in retinal image using morphological, edge detection and feature extraction technique | |
| Yan et al. | A novel deep learning method for red lesions detection using hybrid feature | |
| Antal et al. | A multi-level ensemble-based system for detecting microaneurysms in fundus images | |
| Vimal et al. | RETRACTED ARTICLE: A method of progression detection for glaucoma using K-means and the GLCM algorithm toward smart medical prediction | |
| US20240312016A1 (en) | Classification and improvement of quality of vascular images | |
| CN108230306A (zh) | 眼底彩照血管及动静脉的识别方法 | |
| Badeka et al. | Evaluation of LBP variants in retinal blood vessels segmentation using machine learning | |
| Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
| Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
| Chidambaram et al. | Detection of exudates in diabetic retinopathy | |
| CN115272333A (zh) | 一种杯盘比数据的存储系统 |
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 |