CN108537801A - 基于生成对抗网络的视网膜血管瘤图像分割方法 - Google Patents

基于生成对抗网络的视网膜血管瘤图像分割方法 Download PDF

Info

Publication number
CN108537801A
CN108537801A CN201810272703.8A CN201810272703A CN108537801A CN 108537801 A CN108537801 A CN 108537801A CN 201810272703 A CN201810272703 A CN 201810272703A CN 108537801 A CN108537801 A CN 108537801A
Authority
CN
China
Prior art keywords
image
generator
network
arbiter
sampling
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
CN201810272703.8A
Other languages
English (en)
Inventor
李建文
刘森泽
刘治
肖晓燕
曹艳坤
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN201810272703.8A priority Critical patent/CN108537801A/zh
Publication of CN108537801A publication Critical patent/CN108537801A/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30096—Tumor; Lesion
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于生成对抗网络的视网膜血管瘤图像分割方法，包括以下步骤：构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下采样层；将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练，得到最优生成器；基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。相较于传统的基于图像处理算法的视网膜血管瘤图像分割方法，本发明可以更加准确清晰地分割图像，减少假阳性的分割结果，在图像分割细节上更精准。

Description

基于生成对抗网络的视网膜血管瘤图像分割方法
技术领域
本发明涉及医学图像处理领域，尤其涉及生成对抗网络和视网膜血管 瘤分割技术领域。
背景技术
视网膜血管瘤是血管瘤病的一部分，可以是孤立、散发、非遗传型， 也可以为常染色体显性遗传。随着瘤块形成扩张，它会损害视力，更严重 地将导致青光眼、葡萄膜炎、牵拉性视网膜脱离、并发性白内障或眼球萎 缩而致视力完全丧失。医生通过观察患者视网膜眼底图像可以诊断相关病 变，因此提前对患者做周期性的检查和诊断可以让患者提前预防相关疾病。 一般情况下血管瘤由眼科医生进行检测，但是需要花费较多时间；利用计 算机图像处理技术对视网膜血管瘤眼底图像进行分割可以有效提高医生 的评估效率。
传统的分割技术有基于直方图的、基于边界分割的、基于区域分割等 等，大多数以图像处理算法为基础。针对视网膜血管瘤图像，由于此类图 像中不同粗细血管分布错杂，采用传统的分割技术往往不能兼顾血管瘤的 完整性和精确性，即，可能会缺失一些细小的血管分支细节或者包含多余 的无用信息。
因此，寻求一种适用于视网膜血管瘤图像分割的方法，是目前本领域 技术人员的研究方向。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于生成对抗网络的 视网膜血管瘤分割方法，利用生成对抗网络算法实现自动检测视网膜血管 瘤，并进行图像分割，本发明的针对，从而有效提高医生评估效率。
为实现上述目的，本发明采用如下技术方案：
一种基于生成对抗网络的视网膜血管瘤图像分割方法，包括以下步骤：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所 述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下 采样层；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述 生成对抗网络进行迭代训练，得到最优生成器；
基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。
进一步地，所述生成器至少包括多个下采样网络层、与下采样网络层 数量相同的上采样网络层；其中，所述下采样网络层包括一个下采样层、 一个卷积层和一个激活函数层；所述上采样网络层包括一个上采样层、一 个卷积层和一个激活函数层。
进一步地，所述判别器至少包括多个下采样网络层和一个全连接层。
进一步地，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训 练数据，对所述生成对抗网络进行迭代训练包括：
进一步地，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训 练数据，对所述生成对抗网络进行迭代训练包括：
将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到 生成血管瘤分割图像；
将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；
利用判别器对生成器进行反向调节。
进一步地，所述判别器和生成器中的权重和偏差均是通过反向传播训 练的。
进一步地，所述生成器和判别器满足：
其中，x表示人工血管瘤分割图像，满足分布Pdata；z表示生成血管 瘤分割图像，满足分布Pdata；判别器D的功能是最大限度地区分输入该 判别器的图像是生成血管瘤分割图像还是人工血管瘤分割图像；生成器G 功能是最小化(1-D(G(F)))，令D无法正确判别，以此形成整体网络对抗式 训练。
根据本发明的第二目的，本发明还提供了一种基于生成对抗网络的视 网膜血管瘤图像分割装置，包括存储器、处理器及存储在存储器上并可在 处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于 生成对抗网络的视网膜血管瘤图像分割方法。
根据本发明的第三目的，本发明还提供了一种计算机可读存储介质， 其上存储有计算机程序，该程序被处理器执行时执行所述的基于生成对抗 网络的视网膜血管瘤图像分割方法。
根据本发明的第四目的，本发明还提供了一种基于生成对抗网络的视 网膜血管瘤图像分割模型生成方法，包括以下步骤：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所 述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下 采样层；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述 生成对抗网络进行迭代训练，得到最优生成器，即视网膜血管瘤图像分割 模型。
进一步地，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训 练数据，对所述生成对抗网络进行迭代训练包括：
将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到 生成血管瘤分割图像；
将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；
利用判别器对生成器进行反向调节。
本发明的有益效果
本发明将生成对抗网络应用于血管瘤分割，相较于传统的视网膜血管 瘤图像分割方法，本发明的生成对抗网络中引入了上采样层和下采样层， 一方面保证了图像在神经网络处理过程中的分辨率，使得细小的血管分支 细节也可以分割出来，另一方面，减少了神经网络中传输的数据量，节省 了存储空间和时间，分割效率大大提高。通过下采样，还有效去除了视网 膜血管瘤图像中的噪声，即去除了多余的无用信息。本发明可以更加准确清晰地分割图像，减少视网膜血管瘤图像假阳性的分割结果，在分割细节 上更精准。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解， 本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不 当限定。
图1为本发明基于生成对抗网络的视网膜血管瘤分割方法的流程图；
图2为本发明生成器网络结构图；
图3为本发明判别器网络结构图；
图4为本发明生成对抗网络应用于眼底图像分割的框架图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的 说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属 技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非 意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文 另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的 是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步 骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组 合。
实施例一
本实施例公开了一种基于生成对抗网络的视网膜血管瘤分割方法，如 图1所示，包括以下步骤：
(1)获取训练数据
首先采集视网膜的眼底图像，眼底图像提供足够的信息，被广泛的应 用于疾病诊断，眼底图像由眼底相机直接拍照获得。对眼底图像进行预处 理，图像的分辨率统一为N×N，并对图像中的血管瘤进行人工精确的分 割，分割后的数据用于后续的训练。
(2)构造生成对抗网络
构造生成器G(x，所述生成器网络至少包括多个下采样网络层、与下 采样网络层数量相同的上采样网络层。其中，所述下采样网络层包括一个 下采样层、一个卷积层和一个激活函数层；所述上采样网络层包括一个上 采样层、一个卷积层和一个激活函数层。下采样网络层与上采样网络层数 量相匹配，能够使下采样网络层的输入图像与上采样网络层的输出图像具 有相同分辨率。
优选地，本实施例采用的生成器网络包括(如图2)：依次连接的输 入层、两个卷积层、四个下采样网络层、四个上采样网络层和一个卷积层， 每层卷积层后设置一层ReLU激活函数。并且，第一个上采样网络层之前 的卷积层与第四个上采样网络层跳跃连接，第一个上采样网络层与第三个 上采样网络层跳跃连接，第二个上采样网络层与第二个上采样网络层跳跃 连接，第三个上采样网络层与第一个上采样网络层跳跃连接。构成的卷积 神经网络共包括19层卷积层或采样层，卷积核为3×3，步长为1，下采 样层和上采样层采样区域均为2×2，步长2，整个网络用于生成血管瘤的 分割图像。对于G(x，输入512×512×3的眼底图像信息，输出 416×416×1的矩阵，即眼底图像的血管瘤分割图像，矩阵中每个值属于[0,1，代表输出矩阵中该像素点属于血管瘤的概率。
构造判别器D(x，所述判别器网络至少包括多个下采样网络层和一个 全连接层。其中，所述下采样网络层包括一个下采样层、一个卷积层和一 个激活函数层；所述上采样网络层包括一个上采样层、一个卷积层和一个 激活函数层。
具体地，本实施例采用的判别器网络包括(如图3)：依次连接的输 入层、两个卷积层、五个下采样网络层、一个下采样层和全连接层。构成 的卷积神经网络总共13层卷积层和采样层，卷积核为3×3，步长为1， 每层卷积层后设置一层ReLU激活函数，下采样层采样区域均为2×2， 步长2，整个网络用于判别生成血管瘤分割图像是生成器G生成图像还是人工分割图像。人工分割图像指由专家进行分割标注，分割结果十分精准 的图片。对于D(x)，输入是生成器输出的分割图像或者人工分割图像，输 出判定结果。
上述生成器和判别器构成生成对抗网络。如图4所示。
由生成对抗网络的原理可知，目标函数为：
LGAN(G,D)＝Ex～Pdata(x)logD(x)+Ez～Pdata(z)log(1-D(G(z))) (1)
则该分割问题则转换为最优化问题：
其中，x表示人工血管瘤分割图像，满足分布Pdata；z表示生成血管 瘤分割图像，满足分布Pdata；判别器D的功能是最大限度地区分输入该 判别器的图像是生成血管瘤分割图像还是人工血管瘤分割图像；生成器G 功能是最小化(1-D(G(F))),令D无法正确判别，以此形成整体网络对抗式 训练。
(3)基于训练数据对生成对抗网络进行训练
在确定生成器和辨别其结构之后，开始对网络进行训练。在数次训练 迭代的历程中，判别器和生成器的的权重和偏差都是通过反向传播训练的。 判别器学习从一堆生成器生成的假图像中，找出真正的数字图像。与此同 时，生成器通过判别器的反馈学习如何生成具有欺骗性的图片，防止被判 别器识别出来。最终得到最优的生成器和判别器，此时生成器生成的分割 图片可以通过判别器的测试，从而实现视网膜血管瘤的分割。
(4)基于最优的生成器对待分割眼底视网膜图像执行图像分割。
实施例二
本实施例的目的是提供一种计算装置。
为了实现上述目的，本发明采用如下一种技术方案：
一种基于生成对抗网络的视网膜血管瘤图像分割装置，包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器 执行所述程序时实现：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述 生成对抗网络进行迭代训练，得到最优生成器；
基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
为了实现上述目的，本发明采用如下一种技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器 执行时执行：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述 生成对抗网络进行迭代训练，得到最优生成器；
基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。
实施例四
本实施例的目的是提供一种视网膜血管瘤图像分割模型生成方法。
为了实现上述目的，本发明采用如下一种技术方案：
一种基于生成对抗网络的视网膜血管瘤图像分割模型生成方法，包括 以下步骤：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述 生成对抗网络进行迭代训练，得到最优生成器，即视网膜血管瘤图像分割 模型(如图2所示)。
具体地，将所述原始眼底视网膜图像作为生成器的输入，基于所述生 成器得到生成血管瘤分割图像；
将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；
利用判别器对生成器进行反向调节。
以上实施例二—四中涉及的各步骤与方法实施例一相对应，具体实施 方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理 解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括 任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令 集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用 的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来 实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它 们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成 单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本 发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案 的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或 变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，包括以下步骤：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下采样层；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练，得到最优生成器；
基于所述最优生成器对待分割眼底视网膜图像进行血管瘤图像分割。
2.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述生成器包括多个下采样网络层、与下采样网络层数量相同的上采样网络层；其中，所述下采样网络层包括一个下采样层、一个卷积层和一个激活函数层；所述上采样网络层包括一个上采样层、一个卷积层和一个激活函数层。
3.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述判别器包括多个下采样网络层和一个全连接层。
4.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练包括：
将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到生成血管瘤分割图像；
将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；
利用判别器对生成器进行反向调节。
5.如权利要求4所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述判别器和生成器中的权重和偏差均是通过反向传播训练的。
6.如权利要求1所述的基于生成对抗网络的视网膜血管瘤图像分割方法，其特征在于，所述生成器和判别器满足：
其中，x表示人工血管瘤分割图像，满足分布Pdata；z表示生成血管瘤分割图像，满足分布Pdata；判别器D的功能是最大限度地区分输入该判别器的图像是生成血管瘤分割图像还是人工血管瘤分割图像；生成器G功能是最小化(1-D(G(F)))，令D无法正确判别，以此形成整体网络对抗式训练。
7.一种基于生成对抗网络的视网膜血管瘤图像分割装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于生成对抗网络的视网膜血管瘤图像分割方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行如权利要求1-8任一项所述的基于生成对抗网络的视网膜血管瘤图像分割方法。
9.一种基于生成对抗网络的视网膜血管瘤图像分割模型生成方法，其特征在于，包括以下步骤：
构造生成对抗网络结构，所述生成对抗网络包括生成器和判别器；所述生成器包括多个下采样和相同数量的上采样层；所述判别器包括多个下采样层；
将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练，得到最优生成器，即视网膜血管瘤图像分割模型。
10.如权利要求9所述的基于生成对抗网络的视网膜血管瘤图像分割模型生成方法，其特征在于，所述将血管瘤人工分割图像和原始眼底视网膜图像作为训练数据，对所述生成对抗网络进行迭代训练包括：
将所述原始眼底视网膜图像作为生成器的输入，基于所述生成器得到生成血管瘤分割图像；
将所述生成血管瘤分割图像和血管瘤人工分割图像作为判别器的输入；
利用判别器对生成器进行反向调节。
CN201810272703.8A 2018-03-29 2018-03-29 基于生成对抗网络的视网膜血管瘤图像分割方法 Pending CN108537801A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810272703.8A CN108537801A (zh) 2018-03-29 2018-03-29 基于生成对抗网络的视网膜血管瘤图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810272703.8A CN108537801A (zh) 2018-03-29 2018-03-29 基于生成对抗网络的视网膜血管瘤图像分割方法

Publications (1)

Publication Number Publication Date
CN108537801A true CN108537801A (zh) 2018-09-14

Family

ID=63481563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810272703.8A Pending CN108537801A (zh) 2018-03-29 2018-03-29 基于生成对抗网络的视网膜血管瘤图像分割方法

Country Status (1)

Country Link
CN (1) CN108537801A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685803A (zh) * 2018-12-14 2019-04-26 深圳先进技术研究院 一种左心室图像分割方法、装置、设备及存储介质
CN109829894A (zh) * 2019-01-09 2019-05-31 平安科技（深圳）有限公司 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN109871630A (zh) * 2019-02-28 2019-06-11 浙江工业大学 一种微血管树结构的人工生成方法
CN109919831A (zh) * 2019-02-13 2019-06-21 广州视源电子科技股份有限公司 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质
CN110135508A (zh) * 2019-05-21 2019-08-16 腾讯科技（深圳）有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN110197493A (zh) * 2019-05-24 2019-09-03 清华大学深圳研究生院 眼底图像血管分割方法
CN110246136A (zh) * 2019-05-29 2019-09-17 山东大学 一种基于混合算法的血管内超声参数提取方法及系统
CN110517248A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 眼底图像的处理、训练方法、装置及其设备
CN110517250A (zh) * 2019-08-27 2019-11-29 东北大学 一种基于增强对抗生成网络的眼底视网膜血管分割系统
CN110930418A (zh) * 2019-11-27 2020-03-27 江西理工大学 融合W-net和条件生成对抗网络的视网膜血管分割方法
CN111325749A (zh) * 2020-02-17 2020-06-23 东北林业大学 一种基于生成对抗网络的带出血病症的眼底血管图像生成方法
CN112184690A (zh) * 2020-10-12 2021-01-05 推想医疗科技股份有限公司 冠脉血管走向的预测方法、预测模型的训练方法及装置
CN112767404A (zh) * 2021-01-11 2021-05-07 山东师范大学 基于分布式生成对抗网络的医学图像分割方法及系统
CN113673369A (zh) * 2021-07-30 2021-11-19 中国科学院自动化研究所 遥感图像场景规划方法、装置、电子设备和存储介质
CN113850804A (zh) * 2021-11-29 2021-12-28 北京鹰瞳科技发展股份有限公司 基于生成对抗网络的视网膜图像生成系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110211057A1 (en) * 2008-11-10 2011-09-01 Canon Kabushiki Kaisha Image processing apparatus, image processing method, program, and program recording medium
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107506770A (zh) * 2017-08-17 2017-12-22 湖州师范学院 糖尿病视网膜病变眼底照相标准图像生成方法
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110211057A1 (en) * 2008-11-10 2011-09-01 Canon Kabushiki Kaisha Image processing apparatus, image processing method, program, and program recording medium
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN107506770A (zh) * 2017-08-17 2017-12-22 湖州师范学院 糖尿病视网膜病变眼底照相标准图像生成方法
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020118826A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 一种左心室图像分割方法、装置、设备及存储介质
CN109685803A (zh) * 2018-12-14 2019-04-26 深圳先进技术研究院 一种左心室图像分割方法、装置、设备及存储介质
CN109829894A (zh) * 2019-01-09 2019-05-31 平安科技（深圳）有限公司 分割模型训练方法、oct图像分割方法、装置、设备及介质
WO2020143309A1 (zh) * 2019-01-09 2020-07-16 平安科技（深圳）有限公司 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN109919831A (zh) * 2019-02-13 2019-06-21 广州视源电子科技股份有限公司 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质
CN109919831B (zh) * 2019-02-13 2023-08-25 广州视源电子科技股份有限公司 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质
CN109871630A (zh) * 2019-02-28 2019-06-11 浙江工业大学 一种微血管树结构的人工生成方法
CN109871630B (zh) * 2019-02-28 2023-05-26 浙江工业大学 一种微血管树结构的人工生成方法
CN110135508A (zh) * 2019-05-21 2019-08-16 腾讯科技（深圳）有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN110135508B (zh) * 2019-05-21 2022-11-29 腾讯科技（深圳）有限公司 模型训练方法、装置、电子设备及计算机可读存储介质
CN110197493A (zh) * 2019-05-24 2019-09-03 清华大学深圳研究生院 眼底图像血管分割方法
CN110246136B (zh) * 2019-05-29 2021-07-02 山东大学 一种基于混合算法的血管内超声参数提取方法及系统
CN110246136A (zh) * 2019-05-29 2019-09-17 山东大学 一种基于混合算法的血管内超声参数提取方法及系统
CN110517250A (zh) * 2019-08-27 2019-11-29 东北大学 一种基于增强对抗生成网络的眼底视网膜血管分割系统
CN110517248A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 眼底图像的处理、训练方法、装置及其设备
CN110930418A (zh) * 2019-11-27 2020-03-27 江西理工大学 融合W-net和条件生成对抗网络的视网膜血管分割方法
CN110930418B (zh) * 2019-11-27 2022-04-19 江西理工大学 融合W-net和条件生成对抗网络的视网膜血管分割方法
CN111325749A (zh) * 2020-02-17 2020-06-23 东北林业大学 一种基于生成对抗网络的带出血病症的眼底血管图像生成方法
CN112184690A (zh) * 2020-10-12 2021-01-05 推想医疗科技股份有限公司 冠脉血管走向的预测方法、预测模型的训练方法及装置
CN112767404A (zh) * 2021-01-11 2021-05-07 山东师范大学 基于分布式生成对抗网络的医学图像分割方法及系统
CN113673369A (zh) * 2021-07-30 2021-11-19 中国科学院自动化研究所 遥感图像场景规划方法、装置、电子设备和存储介质
CN113850804A (zh) * 2021-11-29 2021-12-28 北京鹰瞳科技发展股份有限公司 基于生成对抗网络的视网膜图像生成系统及方法
CN113850804B (zh) * 2021-11-29 2022-03-18 北京鹰瞳科技发展股份有限公司 基于生成对抗网络的视网膜图像生成系统及方法

Similar Documents

Publication Publication Date Title
CN108537801A (zh) 基于生成对抗网络的视网膜血管瘤图像分割方法
Kwasigroch et al. Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy
CN111656357B (zh) 眼科疾病分类模型的建模方法、装置及系统
US20220148191A1 (en) Image segmentation method and apparatus and storage medium
CN109726743B (zh) 一种基于三维卷积神经网络的视网膜oct图像分类方法
CN109829880A (zh) 一种基于深度学习的ct图像检测方法、装置和控制设备
Lin et al. Multi-label classification of fundus images with graph convolutional network and self-supervised learning
CN110428421A (zh) 黄斑图像区域分割方法和设备
CN109376767A (zh) 基于深度学习的视网膜oct图像分类方法
CN110236483B (zh) 一种基于深度残差网络的糖尿病性视网膜病变检测的方法
CN108921227A (zh) 一种基于capsule理论的青光眼医学影像分类方法
Ardiyanto et al. Deep learning-based diabetic retinopathy assessment on embedded system
CN109411086A (zh) 眼底图像病变的筛查系统
CN108765422A (zh) 一种视网膜图像血管自动分割方法
CN108280827A (zh) 基于深度学习的冠状动脉病变自动检测方法、系统和设备
CN107958471A (zh) 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
CN109464120A (zh) 一种糖尿病视网膜病变筛查方法、装置及存储介质
CN109961848A (zh) 黄斑图像分类方法和设备
Chakraborty et al. Pneumonia and eye disease detection using convolutional neural networks
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
CN109829901A (zh) 一种基于卷积神经网络的真菌性角膜炎检测方法及系统
CN112869697A (zh) 同时识别糖尿病视网膜病变的分期和病变特征的判断方法
CN112957005A (zh) 眼底造影图像无灌注区自动识别及激光光凝区域推荐算法
CN110503636A (zh) 参数调整方法、病灶预测方法、参数调整装置及电子设备
BAKIR et al. Using transfer learning technique as a feature extraction phase for diagnosis of cataract disease in the eye

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: 20180914