CN108416772A - 一种基于级联卷积神经网络的斜眼检测方法 - Google Patents

一种基于级联卷积神经网络的斜眼检测方法 Download PDF

Info

Publication number
CN108416772A
CN108416772A CN201810186479.0A CN201810186479A CN108416772A CN 108416772 A CN108416772 A CN 108416772A CN 201810186479 A CN201810186479 A CN 201810186479A CN 108416772 A CN108416772 A CN 108416772A
Authority
CN
China
Prior art keywords
convolutional neural
strabismus
neural network
image
concatenated convolutional
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
Application number
CN201810186479.0A
Other languages
English (en)
Inventor
范衠
卢杰威
郑策
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 CN201810186479.0A priority Critical patent/CN108416772A/zh
Publication of CN108416772A publication Critical patent/CN108416772A/zh
Pending legal-status Critical Current

Links

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic 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
    • G06T2207/20081—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
    • G06T2207/30041—Eye; Retina; Ophthalmic

Abstract

本发明实施例公开了一种基于级联卷积神经网络的斜眼检测方法，所述方法包括：整理相机拍摄的斜眼图像，并建立所述图像的斜眼图像库；利用人脸数据库：iBUG23,LPFW24,Helen25和AFW训练一个级联卷积神经网络，并确定所述级联卷积神经网络中的学习参数；利用所述完成训练的级联卷积神经网络分割斜眼图像库中斜眼图像的眼睛；完成斜眼图像的眼睛分割后，利用大津算法分割斜眼图像的眼睛虹膜；根据虹膜在眼睛中的相对位置关系确定人是否患有斜眼。本发明充分利用级联卷积神经网络较强的识别和分割能力，并结合图像处理算法，可以高效准确地确定人是否患有斜眼，从而有助于医生对病人的斜眼诊断和治疗。

Description

一种基于级联卷积神经网络的斜眼检测方法
技术领域
本发明图像处理及模式识别领域，特别是涉及一种基于卷积神经网络的斜眼检测方法。
背景技术
斜眼是一种眼部疾病，且多发生在幼年时期，它一般是由于眼部神经，大脑或者眼外肌发生问题而产生。一般患有斜眼的患者若没有得到合理的医治，会恶化发展成弱视，且一旦退化可能导致失明。同时，斜眼严重影响美观，可能使斜眼患者产生孤僻、自卑及反常的心理。
从上可知，斜眼检测对预防和治疗斜眼十分重要。目前，主要是人工实施对受试者斜眼的检测，一般受过训练的临床医师常使用“赫斯伯格测试法(Hirschberg test)”对受试者的眼睛进行评估，“赫斯伯格测试法”是用于检查眼睛的虹膜在聚焦和注视到置于其正前方的目标上时是否对称的一项公认的、但是一种粗略的测试法。但是当受试者的每只眼睛具有很小的差异时，即使有经验的临床医师也容易将其忽视，而产生误判误诊等情况，且人工检测的方法效率不高。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于级联卷积神经网络的斜眼检测方法。可以帮助提高医生对斜眼疾病的诊断效率。
为了解决上述技术问题，本发明实施例提供了一种基于级联卷积神经网络的斜眼检测方法，包括以下步骤：
步骤1：获取相机拍摄的斜眼图像，并建立所述斜眼图像的斜眼图像库；
步骤2：利用已建立的人脸数据库训练一个级联卷积神经网络，并确定所述级联卷积神经网络中的学习参数；
步骤3：利用完成训练的级联卷积神经网络分割所述斜眼图像库中斜眼图像的眼睛；
步骤4：利用大津算法分割斜眼图像的眼睛虹膜；
步骤5：根据虹膜在眼睛中的相对位置关系输出斜眼检测的结果。
进一步地，步骤2中，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立和级联卷积神经网络的参数学习。
更进一步地，所述级联卷积神经网络是由两个一样的卷积神经网络级联而成，第一个卷积神经网络用于完成对图像中眼睛的特征点定位，并把输出的信息输入到第二个卷积神经网络；第二个卷积神经网络用于完成对图像中眼睛的分割。
更进一步地，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。
更进一步地，所述级联卷积神经网络的参数学习是指通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，第一个卷积神经网络的损失函数为：
其中，g和分别表示真实值和预测值，真实值是指人为标记的眼睛图像，预测值是指用卷积神经网络标记的眼睛图像；每张图像的大小为N×W×H；
第二个卷积神经网络的损失函数为：
其中，N表示输出的类别数目，W和H表示图像的宽和高，g表示预测的输出类别，n表示像素(i,j)的真实标记。
更进一步地，所述步骤5具体包括：计算所述斜眼图像库中斜眼图像两个眼角的距离D，计算眼睛中心和眼睛虹膜中心的距离T，如果T>(D/6)，则输出患有斜眼信息，否则输出没有患斜眼信息。
实施本发明实施例，具有如下有益效果：本发明充分利用级联卷积神经网络较强的特征学习能力，并结合图像处理方法，可以高效准确地检测图像中的人眼是否患有斜眼，从而帮助医生提高诊断斜眼疾病的效率。
附图说明
图1是本发明方法的流程图示意图；
图2是本发明所使用的级联卷积神经网络的整体结构图。
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。
如图1，本发明提供一种基于级联卷积神经网络的瞎眼检测方法，该方法包括以下步骤：
步骤1：整理相机拍摄的斜眼图像，并建立所述图像的斜眼图像库。在本实施例中，斜眼图像库有103张图像，其中有63张斜眼患者的图像，40张正常人的图像。
步骤2：利用互联上公知共享的人脸数据库：iBUG23，LPFW24，Helen25和AFW训练一个级联卷积神经网络，并确定所述级联卷积神经网络中的学习参数。级联卷积神经网络的训练包括级联卷积神经网络的结构建立和级联卷积神经网络的参数学习；训练采用的图像样本来源于人脸数据库：iBUG23,LPFW24,Helen25和AFW。级联的神经网络是由两个一样的卷积神经网络级联而成，第一个卷积神经网络完成图像中眼睛的特征点定位，并把输出的信息输入到第二个卷积神经网络；第二个卷积神经网络完成图像中眼睛的分割。级联卷积神经网络的结构建立包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。本发明实施例所使用的级联卷积神经网络结构请参阅图2；其中涉及的每个卷积神经网络的具体结构参数如下表所示：神经网络包含卷积层，池化层，全连接卷积层，反卷积层层核和评分池化层。
级联卷积神经网络的参数学习是指通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，第一个卷积神经网络的损失函数为：
其中，g和分别表示真实值和预测值，真实值是指人为标记的眼睛图像，预测值是指用卷积神经网络标记的眼睛图像；每张图像的大小为N×W×H，N表示通道的数目，W表示图像的宽，H表示图像的高。第一个卷积神经网络的学习速率为0.0001，迭代的次数为40000。
第二个卷积神经网络的损失函数为：
其中，N表示输出的类别数目，W和H表示图像的宽和高，g表示预测得到的输出类别，n表示像素(i,j)的真实标记。第二个卷积神经网络的学习速率为0.0001，迭代的次数为30000。
步骤3：利用所述完成训练的级联卷积神经网络分割斜眼图像库中斜眼图像的眼睛；
步骤4：完成斜眼图像的眼睛分割后，利用大津算法分割斜眼图像的眼睛虹膜；
步骤5：根据虹膜在眼睛中的相对位置关系确定人是否患有斜眼，输出斜眼检测的结果。针对每个眼睛，计算两个眼角的距离D，计算眼睛中心和眼睛虹膜中心的距离T，如果T>(D/6)，则输出患有斜眼信息，否则输出没有患有斜眼信息。
本发明实施例在斜眼数据库上进行了测试，测试结果为：特异性为0.9683，敏感性为1，准确率为0.9803，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，准确率用于描述方法的整体效果。
本发明利用四类人脸数据库训练了一个级联卷积神经网络，利用该级联卷积神经网络可以很好地将斜眼图像库中的人脸图像的眼睛进行识别和分割，并根据眼睛中心和眼睛虹膜的相对位置判断人是否患有斜眼。在本发明实施例中采用四类人脸数据库进行测试得到了准确率高达0.9803的分割效果，说明该方法可以高效准确地确定人是否患有斜眼，从而可以帮助医生提高对病人的斜眼诊断。
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 (6)

1.一种基于级联卷积神经网络的斜眼检测方法，其特征在于，包括以下步骤：
步骤1：获取相机拍摄的斜眼图像，并建立所述斜眼图像的斜眼图像库；
步骤2：利用已建立的人脸数据库训练一个级联卷积神经网络，并确定所述级联卷积神经网络中的学习参数；
步骤3：利用完成训练的级联卷积神经网络分割所述斜眼图像库中斜眼图像的眼睛；
步骤4：利用大津算法分割斜眼图像的眼睛虹膜；
步骤5：根据虹膜在眼睛中的相对位置关系输出斜眼检测的结果。
2.根据权利要求1所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，步骤2中，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立和级联卷积神经网络的参数学习。
3.根据权利要求2所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络是由两个一样的卷积神经网络级联而成，第一个卷积神经网络用于完成对图像中眼睛的特征点定位，并把输出的信息输入到第二个卷积神经网络；第二个卷积神经网络用于完成对图像中眼睛的分割。
4.根据权利要求3所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络的训练包括级联卷积神经网络的结构建立包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。
5.根据权利要求4所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述级联卷积神经网络的参数学习是指通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，第一个卷积神经网络的损失函数为：
其中，g和分别表示真实值和预测值，真实值是指人为标记的眼睛图像，预测值是指用卷积神经网络标记的眼睛图像；每张图像的大小为N×W×H；
第二个卷积神经网络的损失函数为：
其中，N表示输出的类别数目，W和H表示图像的宽和高，g表示预测的输出类别，n表示像素(i,j)的真实标记。
6.根据权利要求5所述的基于级联卷积神经网络的斜眼检测方法，其特征在于，所述步骤5具体包括：计算所述斜眼图像库中斜眼图像两个眼角的距离D，计算眼睛中心和眼睛虹膜中心的距离T，如果T>(D/6)，则输出患有斜眼信息，否则输出没有患斜眼信息。
CN201810186479.0A 2018-03-07 2018-03-07 一种基于级联卷积神经网络的斜眼检测方法 Pending CN108416772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810186479.0A CN108416772A (zh) 2018-03-07 2018-03-07 一种基于级联卷积神经网络的斜眼检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810186479.0A CN108416772A (zh) 2018-03-07 2018-03-07 一种基于级联卷积神经网络的斜眼检测方法

Publications (1)

Publication Number Publication Date
CN108416772A true CN108416772A (zh) 2018-08-17

Family

ID=63130390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810186479.0A Pending CN108416772A (zh) 2018-03-07 2018-03-07 一种基于级联卷积神经网络的斜眼检测方法

Country Status (1)

Country Link
CN (1) CN108416772A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344763A (zh) * 2018-09-26 2019-02-15 汕头大学 一种基于卷积神经网络的斜眼检测方法
CN109744996A (zh) * 2019-01-11 2019-05-14 中南大学 Oct图像的bmo位置定位方法
CN110464611A (zh) * 2019-07-23 2019-11-19 苏州国科视清医疗科技有限公司 一种数字化弱视增强训练装置和系统及其相关算法
CN110929723A (zh) * 2019-11-20 2020-03-27 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN111259743A (zh) * 2020-01-09 2020-06-09 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
WO2020173163A1 (zh) * 2019-02-26 2020-09-03 电信科学技术研究院有限公司 图像分割方法及装置
KR20220036475A (ko) * 2020-09-16 2022-03-23 가톨릭대학교 산학협력단 사시 검사 결과 검증 제시 시스템 및 방법과 이를 위한 애플리케이션
CN115736907A (zh) * 2021-09-04 2023-03-07 天津大学 基于级联卷积神经网络的可穿戴微波无损检测人体血糖
WO2023037348A1 (en) * 2021-09-13 2023-03-16 Benjamin Simon Thompson System and method for monitoring human-device interactions
WO2023121163A1 (ko) * 2021-12-24 2023-06-29 삼성전자 주식회사 무자각 사시 진단 장치 및 그 동작 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1836625A (zh) * 2006-04-28 2006-09-27 赵阳 一种斜视度测量仪及测量方法
US20150257967A1 (en) * 2013-03-15 2015-09-17 John Castle Simmons Vision-Based Diagnosis and Treatment
CN105373777A (zh) * 2015-10-30 2016-03-02 中国科学院自动化研究所 一种用于人脸识别的方法及装置
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
CN107007248A (zh) * 2017-04-17 2017-08-04 广州视景医疗软件有限公司 一种基于人工智能的斜视筛查方法、服务器及系统
CN107506754A (zh) * 2017-09-19 2017-12-22 厦门中控智慧信息技术有限公司 虹膜识别方法、装置及终端设备
CN107748858A (zh) * 2017-06-15 2018-03-02 华南理工大学 一种基于级联卷积神经网络的多姿态眼睛定位方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1836625A (zh) * 2006-04-28 2006-09-27 赵阳 一种斜视度测量仪及测量方法
US20150257967A1 (en) * 2013-03-15 2015-09-17 John Castle Simmons Vision-Based Diagnosis and Treatment
CN105373777A (zh) * 2015-10-30 2016-03-02 中国科学院自动化研究所 一种用于人脸识别的方法及装置
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
CN107007248A (zh) * 2017-04-17 2017-08-04 广州视景医疗软件有限公司 一种基于人工智能的斜视筛查方法、服务器及系统
CN107748858A (zh) * 2017-06-15 2018-03-02 华南理工大学 一种基于级联卷积神经网络的多姿态眼睛定位方法
CN107506754A (zh) * 2017-09-19 2017-12-22 厦门中控智慧信息技术有限公司 虹膜识别方法、装置及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JOAO DALLYSON SOUSA DE ALMEIDA等: "Computer-Aided Methodology for Syndromic Strabismus Diagnosis", 《SOCIETY FOR IMAGING INFORMATICS IN MEDICINE》 *
LANG YE等: "Cascaded Convolutional Neural Network for Eye Detection Under Complex Scenarios", 《CCBR 2014：BIOMETRIC RECOGNITION》 *
雷曼: "《眼科检查与诊断手册（第8版）》", 31 March 2015, 人民军医出版社 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109344763A (zh) * 2018-09-26 2019-02-15 汕头大学 一种基于卷积神经网络的斜眼检测方法
CN109744996A (zh) * 2019-01-11 2019-05-14 中南大学 Oct图像的bmo位置定位方法
WO2020173163A1 (zh) * 2019-02-26 2020-09-03 电信科学技术研究院有限公司 图像分割方法及装置
CN110464611A (zh) * 2019-07-23 2019-11-19 苏州国科视清医疗科技有限公司 一种数字化弱视增强训练装置和系统及其相关算法
CN110929723B (zh) * 2019-11-20 2022-12-02 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN110929723A (zh) * 2019-11-20 2020-03-27 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN111259743A (zh) * 2020-01-09 2020-06-09 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
CN111259743B (zh) * 2020-01-09 2023-11-24 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
KR20220036475A (ko) * 2020-09-16 2022-03-23 가톨릭대학교 산학협력단 사시 검사 결과 검증 제시 시스템 및 방법과 이를 위한 애플리케이션
WO2022059926A1 (ko) * 2020-09-16 2022-03-24 가톨릭대학교 산학협력단 사시 검사 결과 검증 제시 시스템 및 방법과 이를 위한 애플리케이션
KR102408749B1 (ko) * 2020-09-16 2022-06-13 가톨릭대학교 산학협력단 사시 검사 결과 검증 제시 시스템 및 방법과 이를 위한 애플리케이션
CN115736907A (zh) * 2021-09-04 2023-03-07 天津大学 基于级联卷积神经网络的可穿戴微波无损检测人体血糖
WO2023037348A1 (en) * 2021-09-13 2023-03-16 Benjamin Simon Thompson System and method for monitoring human-device interactions
WO2023121163A1 (ko) * 2021-12-24 2023-06-29 삼성전자 주식회사 무자각 사시 진단 장치 및 그 동작 방법

Similar Documents

Publication Publication Date Title
CN108416772A (zh) 一种基于级联卷积神经网络的斜眼检测方法
US20220076420A1 (en) Retinopathy recognition system
US11213197B2 (en) Artificial neural network and system for identifying lesion in retinal fundus image
Hossain et al. Automatic detection of eye cataract using deep convolution neural networks (DCNNs)
CN105559802A (zh) 一种基于注意和情感信息融合的抑郁症诊断系统及方法
CN106060142A (zh) 一种能够检查视力的手机及使用其进行视力检查的方法
CN109344763A (zh) 一种基于卷积神经网络的斜眼检测方法
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN110308788A (zh) 有减少近距观察对近视发作和/或发展影响的系统的装置
CN110415245A (zh) 眼部数据确定方法、模型训练方法及设备
Franco et al. Glaucoma patient screening from online retinal fundus images via Artificial Intelligence
Himami et al. Deep learning in image classification using dense networks and residual networks for pathologic myopia detection
Alam et al. Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation
CN111259743A (zh) 一种近视图像深度学习识别模型训练方法及系统
Sengar et al. An efficient artificial intelligence-based approach for diagnosis of media haze disease
Aloudat et al. Histogram analysis for automatic blood vessels detection: First step of IOP
Dela Cruz et al. Portable nuclear and cortical eye cataract detection using image processing
Darsana et al. Mask image generation for segmenting retinal fundus image features into ISNT quadrants using array centroid method
Azimi et al. The effects of gender factor and diabetes mellitus on the iris recognition system’s accuracy and reliability
Pavithra et al. Hardware implementation of Glaucoma using A PIC Micro-controller–A novel concept for a normal case of the eye disease
Kriangsakdachai et al. Anomaly detection in red reflex images using deep learning approaches
US20230346276A1 (en) System and method for detecting a health condition using eye images
Caya et al. Development of Pupil Diameter Determination using Tiny-YOLO Algorithm
Anguraj et al. Evaluation and severity classification of facial paralysis using salient point selection algorithm
KR101750107B1 (ko) 사상 체질 판별을 위한 얼굴 영상 분석 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180817

RJ01 Rejection of invention patent application after publication