CN108765422A - 一种视网膜图像血管自动分割方法 - Google Patents

一种视网膜图像血管自动分割方法 Download PDF

Info

Publication number
CN108765422A
CN108765422A CN201810607801.2A CN201810607801A CN108765422A CN 108765422 A CN108765422 A CN 108765422A CN 201810607801 A CN201810607801 A CN 201810607801A CN 108765422 A CN108765422 A CN 108765422A
Authority
CN
China
Prior art keywords
retinal images
blood vessel
feature
layer
retinal
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
CN201810607801.2A
Other languages
English (en)
Inventor
柏正尧
李琼
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN201810607801.2A priority Critical patent/CN108765422A/zh
Publication of CN108765422A publication Critical patent/CN108765422A/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
    • 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
    • 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)
  • 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

一种视网膜图像血管自动分割方法，本发明首先通过深度卷积神经网络卷积层提取图像的局部特征，然后通过上采样运算对提取的特征进行插值重构得到分割结果，最后融合上采样层和前面卷积层的特征得到更为精确的分割结果。本发明方法在准确性、灵敏度、特异性方面优于传统分割方法，在眼科疾病计算机辅助诊断系统中有很大的应用前景。

Description

一种视网膜图像血管自动分割方法
技术领域
本发明是视网膜图像血管自动分割方法，适用于机器学习、模式识别和医学影像处理技术领域。
背景技术
视网膜是眼球内壁的一层薄膜，其结构表现为从视盘中心出发，向四周延伸分布动脉和静脉血管。由于其特殊的位置，视网膜血管是人体唯一能够以无创伤的方式直接观察的深层微血管网络。视网膜血管形态能够直接反映出眼睛及身体多处器官的健康状态，许多眼科疾病如黄斑变性眼病、青光眼、糖尿病性视网膜病变和全身性疾病如高血压、动脉硬化、心脑血管疾病等都会对视网膜血管产生影响，导致血管的长度、宽度、角度等发生变化及引起血管增生。因此，对视网膜图像血管的分割和分析是诊断各类眼科疾病和身体疾病的重要依据之一。分割出来的血管树可以很方便地提取血管的各类形态特征，对于与之相关各种疾病的辅助诊断、辅助治疗和后期观察都具有重要的临床医学意义。基于人工手动的分割方法对视网膜图像血管的分割十分依赖操作者的经验和技术，而且往往还存在主观性强、工作强度大，效率低等缺点。因此，对视网膜血管进行自动分割在临床应用中有着及其重要的意义，尤其是随着眼科疾病的深度学习计算机辅助诊断系统的发展，视网膜血管的自动分割技术是目前的一个研究热点。
发明内容
本发明的目的就是针对视网膜图像血管分割存在主观性强、工作强度大，效率低等缺点，现有监督分割方法对于目前已经存在的视网膜血管分割方法中，依旧存在分割低对比度血管困难的问题。提出一种采用深度学习的视网膜图像血管自动分割方法。
本发明采用的技术方案是：
一种视网膜图像血管自动分割方法，步骤为：
1)数据集来源于DRIVE(digital retinal images for vessel extraction)公共数据库，该数据库是由Niemeijer等人收集而成的常见视网膜图像数据库；DRIVE数据库包含训练集和测试集，每个子集都有20幅彩色视网膜图像，尺寸均为565×584。其中，训练集中每幅视网膜图像对应第一专家标注的眼底血管图，测试集中每幅视网膜图像对应着第一专家和第二专家标注的血管图。
2)对视网膜图像数据进行对比度增强、归一化、剪裁、扩增等预处理；
3)用卷积神经网络通过有监督训练的方法学习视网膜图像和血管标注图之间的对应关系，从而使训练的模型能够自动精确的分割出视网膜图像的血管图；
4)通过卷积层提取图像的局部特征，再通过上采样运算对提取的特征进行插值重构得到分割结果；
5)单纯进行上采样得到的分割结果比较粗糙，融合上采样层和前面卷积层的特征得到了更为精确的分割结果。
本发明将所述视网膜图像的血管图分割视为一个模式的转化问题，即视网膜图像为第一模式，对应的血管标注图为第二模式，这两种模式的图像在尺寸上大小相同；采用一个所述改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系。
本发明所述采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系，用损失函数表示当前神经网络分割结果图与分割标准图之间的误差；在训练过程中反复迭代误差损失函数，当损失函数尽可能小时，训练得到模型已能够有效提取视网膜图像与分割标准图之间的映射规律，通过所学到的规律准确分割视网膜图像的血管图；整个视网膜图像血管分割过程包括图像块的提取、神经网络映射转换和血管图的合成三部分组成。
本发明基于所述全卷积神经网络架构设计了一个能够有效提取视网膜图像特征的神经网络；该网络包含特征粗提取和特征重建两部分；该网络的主要思想是修改一个逐层收缩的全卷积神经网络，即在网络结构后半部分用上采样操作代替池化操作，并将上采样的结果与特征粗提取中卷积层提取的特征图叠加，这样不仅在线降低和恢复图像分辨率使训练规模变得简单，而且基于叠加的综合特征信息可以使分割结果更为精确。
本发明采用改进的全卷积神经网络是一种重复架构，每次重复中都有两个同样尺寸的卷积层，其卷积核的大小均为3x3，且每个卷积层后都有一个线性激活函数ReLU；在连续两个卷积层之后是一个大小为2x2，步长为2的最大池化层，用于降低图像分辨率，将池化层后的卷积层的特征通道数量加倍粗提取视网膜图像的深度特征；特征重建部分的第一步是上采样操作，主要是恢复图像分辨率，上采样操作后将卷积层的特征通道数量减半，并将上采样的结果与之前卷积层提取的特征图叠加起来，并对叠加后的特征图进行两次3x3的卷积；最后一层卷积核的大小为1x1，将32通道的特征图转化为深度为2的特征图；神经网络的输入层彩色视网膜图像块，输出层是对应的血管图。
本文发明是基于深度学习框架Keras，以TensorFlow为后端引擎，运行在GPU工作站上，使用的测试平台：处理器为Intel i5-7500CPU，内存为8GB，显卡NVIDIA GeForce GTX1050。由于GPU内存不大，所以规模较大的神经网络无法在现有的机器中运行，这也是本实验对视网膜图像进行裁剪、采用小规模训练神经网络的原因。为了与传统的方法进行一个定量的比较，本文使用公开的DRIVE数据集对提出的方法进行评估。训练集中的20幅视网膜图像经过数据扩增后将其中90％的图像块用于神经网络的训练，剩下的10％用于训练过程中模型的优化和参数的调整，测试集中的20幅视网膜图像全部用于测试和评估本文方法的性能。
目前很多有监督和无监督分割方法用于视网膜图像的血管分割，但是对于图像中存在的低对比度微型血管的分割仍然是分割任务中面临的重要挑战之一。从DRIVE数据库中挑选出一些低对比度的图像进行实验，对比第一专家和第二专家标注的血管图及本发明方法对测试图像局部区域低对比度微血管的分割结果。可以看出本文方法能将第一专家标注血管图中忽略的微血管有效地识别出来，并且分割结果十分接近第二专家标注的血管结果图，表明该方法对微血管网络有很强的分割能力，具有专家级的水平。
本发明的效果是：提出了一种新的采用有监督训练方法的神经网络对视网膜图像的血管进行分割。首先，对视网膜图像进行对比度增强、数据归一化等预处理操作，并将视网膜图像和对应的血管图通过图像裁剪成大小的图像块作为神经网络的输入样本。通过神经网络的特征粗提取部分获得视网膜图像不同层次的深度特征，并将提取的特征经过上采样操作实现网络端到端的训练，从而获得视网膜图像的血管分割结果。本文方法在准确性、灵敏度、特异性方面均优于传统的视网膜血管分割方法，且在对比度较低的血管区域也能实现良好的分割，该方法精度高、鲁棒性好，在视网膜图像诊断系统中具有广阔的应用前景。
附图说明
图1为本发明图像预处理:(a)为彩色视网膜图像(b)第一专家标注图(c)第二专家
标注图(d)掩膜；
图2图像的预处理示例：(a)原图像(b)自适应直方图均衡化(c)数据归一化；
图3本发明采用的视网膜图像血管分割整体框架图；
图4本发明采用的改进深度神经网络结构图；
图5本发明方法的分割结果：(a)和(e)为原图像，(b)和(f)为归一化图像，(c)和(g)为第一专家分割的血管图，(d)和(h)为本发明方法分割的血管图。
具体实施方法
见图1，图2，图3，图4，图5一种视网膜图像血管自动分割方法，
步骤为：
1)数据集来源于DRIVE(digital retinal images for vessel extraction)公共数据库，该数据库是由Niemeijer等人收集而成的常见视网膜图像数据库；DRIVE数据库包含训练集和测试集，每个子集都有20幅彩色视网膜图像，尺寸均为565×584；其中，训练集中每幅视网膜图像对应第一专家标注的眼底血管图，测试集中每幅视网膜图像对应着第一专家和第二专家标注的血管图；
2)对视网膜图像数据进行对比度增强、归一化、剪裁、扩增等预处理；
3)用卷积神经网络通过有监督训练的方法学习视网膜图像和血管标注图之间的对应关系，从而使训练的模型能够自动精确的分割出视网膜图像的血管图；
4)通过卷积层提取图像的局部特征，再通过上采样运算对提取的特征进行插值重构得到分割结果；
5)单纯进行上采样得到的分割结果比较粗糙，融合上采样层和前面卷积层的特征得到了更为精确的分割结果。
本发明将所述视网膜图像的血管图分割视为一个模式的转化问题，即视网膜图像为第一模式，对应的血管标注图为第二模式，这两种模式的图像在尺寸上大小相同；采用一个所述改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系。
本发明所述采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系，用损失函数表示当前神经网络分割结果图与分割标准图之间的误差；在训练过程中反复迭代误差损失函数，当损失函数尽可能小时，训练得到模型已能够有效提取视网膜图像与分割标准图之间的映射规律，通过所学到的规律准确分割视网膜图像的血管图；整个视网膜图像血管分割过程包括图像块的提取、神经网络映射转换和血管图的合成三部分组成。
本发明基于所述全卷积神经网络架构设计了一个能够有效提取视网膜图像特征的神经网络；该网络包含特征粗提取和特征重建两部分；该网络的主要思想是修改一个逐层收缩的全卷积神经网络，即在网络结构后半部分用上采样操作代替池化操作，并将上采样的结果与特征粗提取中卷积层提取的特征图叠加，这样不仅在线降低和恢复图像分辨率使训练规模变得简单，而且基于叠加的综合特征信息可以使分割结果更为精确。
本发明采用改进的全卷积神经网络是一种重复架构，每次重复中都有两个同样尺寸的卷积层，其卷积核的大小均为3x3，且每个卷积层后都有一个线性激活函数ReLU；在连续两个卷积层之后是一个大小为2x2，步长为2的最大池化层，用于降低图像分辨率，将池化层后的卷积层的特征通道数量加倍粗提取视网膜图像的深度特征；特征重建部分的第一步是上采样操作，主要是恢复图像分辨率，上采样操作后将卷积层的特征通道数量减半，并将上采样的结果与之前卷积层提取的特征图叠加起来，并对叠加后的特征图进行两次3x3的卷积；最后一层卷积核的大小为1x1，将32通道的特征图转化为深度为2的特征图；神经网络的输入层彩色视网膜图像块，输出层是对应的血管图。

Claims (5)

1.一种视网膜图像血管自动分割方法，其特征在于：步骤为：
1)数据集来源于DRIVE(digital retinal images for vessel extraction)公共数据库，该数据库是由Niemeijer等人收集而成的常见视网膜图像数据库；DRIVE数据库包含训练集和测试集，每个子集都有20幅彩色视网膜图像，尺寸均为565x584；其中，训练集中每幅视网膜图像对应第一专家标注的眼底血管图，测试集中每幅视网膜图像对应着第一专家和第二专家标注的血管图；
2)对视网膜图像数据进行对比度增强、归一化、剪裁、扩增等预处理；
3)用全卷积神经网络通过有监督训练的方法学习视网膜图像和血管标注图之间的对应关系，从而使训练的模型能够自动精确的分割出视网膜图像的血管图；
4)通过卷积层提取图像的局部特征，再通过上采样运算对提取的特征进行插值重构得到分割结果；
5)单纯进行上采样得到的分割结果比较粗糙，融合上采样层和前面卷积层的特征得到了更为精确的分割结果。
2.根据权利要求1所述的一种视网膜图像血管自动分割方法，其特征在于，将所述视网膜图像的血管分割视为一个模式的转化问题，即视网膜图像为第一模式，对应的血管标注图为第二模式，这两种模式的图像在尺寸上大小相同；采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系。
3.根据权利要求1或2所述的一种视网膜图像血管自动分割方法，其特征在于，所述采用一个改进的全卷积神经网络模拟第一模式和第二模式之间的映射关系，用损失函数表示当前神经网络分割结果图与血管标注图之间的误差；在训练过程中反复迭代误差损失函数，当损失函数尽可能小时，训练得到模型已能够有效提取视网膜图像与血管标注图之间的映射规律，通过所学到的规律准确分割视网膜图像的血管图；整个视网膜图像血管分割过程包括图像块的提取、神经网络映射转换和血管图的合成三部分组成。
4.根据权利要求1所述的一种视网膜图像血管自动分割方法，其特征在于，基于所述全卷积神经网络架构设计了一个能够有效提取视网膜图像特征的神经网络；该网络包含特征粗提取和特征重建两部分；该网络的主要思想是修改一个逐层收缩的全卷积神经网络，即在网络结构后半部分用上采样操作代替池化操作，并将上采样的结果与特征粗提取中卷积层提取的特征图叠加，这样不仅在线降低和恢复图像分辨率使训练规模变得简单，而且基于叠加的综合特征信息可以使分割结果更为精确。
5.根据权利要求2或3所述的一种视网膜图像血管自动分割方法，其特征在于，采用改进的全卷积神经网络是一种重复架构，每次重复中都有两个同样尺寸的卷积层，其卷积核的大小均为3x3，且每个卷积层后都有一个线性激活函数ReLU；在连续两个卷积层之后是一个大小为2x2，步长为2的最大池化层，用于降低图像分辨率，将池化层后的卷积层的特征通道数量加倍粗提取视网膜图像的深度特征；特征重建部分的第一步是上采样操作，主要是恢复图像分辨率，上采样操作后将卷积层的特征通道数量减半，并将上采样的结果与之前卷积层提取的特征图叠加起来，并对叠加后的特征图进行两次3x3的卷积；最后一层卷积核的大小为1x1，将32通道的特征图转化为深度为2的特征图；神经网络的输入层彩色视网膜图像块，输出层是对应的血管图。
CN201810607801.2A 2018-06-13 2018-06-13 一种视网膜图像血管自动分割方法 Pending CN108765422A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810607801.2A CN108765422A (zh) 2018-06-13 2018-06-13 一种视网膜图像血管自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810607801.2A CN108765422A (zh) 2018-06-13 2018-06-13 一种视网膜图像血管自动分割方法

Publications (1)

Publication Number Publication Date
CN108765422A true CN108765422A (zh) 2018-11-06

Family

ID=64022527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810607801.2A Pending CN108765422A (zh) 2018-06-13 2018-06-13 一种视网膜图像血管自动分割方法

Country Status (1)

Country Link
CN (1) CN108765422A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658422A (zh) * 2018-12-04 2019-04-19 大连理工大学 一种基于多尺度深监督网络的视网膜图像血管分割方法
CN109685770A (zh) * 2018-12-05 2019-04-26 合肥奥比斯科技有限公司 视网膜血管弯曲度确定方法
CN109754403A (zh) * 2018-11-29 2019-05-14 中国科学院深圳先进技术研究院 一种ct图像内的肿瘤自动分割方法及系统
CN109934153A (zh) * 2019-03-07 2019-06-25 张新长 基于门控深度残差优化网络的建筑物提取方法
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110544256A (zh) * 2019-08-08 2019-12-06 北京百度网讯科技有限公司 基于稀疏特征的深度学习图像分割方法及装置
CN111000563A (zh) * 2019-11-22 2020-04-14 北京理工大学 一种视网膜动脉静脉直径比自动测量方法及装置
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法
CN112716446A (zh) * 2020-12-28 2021-04-30 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
WO2021213068A1 (zh) * 2020-04-22 2021-10-28 腾讯科技（深圳）有限公司 基于人工智能的图像显示方法、装置、设备及介质
US11954863B2 (en) 2018-11-30 2024-04-09 Tencent Technology (Shenzhen) Company Limited Image segmentation method and apparatus, diagnosis system, storage medium, and computer device

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106778664A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种虹膜图像中虹膜区域的分割方法及其装置
CN106920227A (zh) * 2016-12-27 2017-07-04 北京工业大学 基于深度学习与传统方法相结合的视网膜血管分割方法
CN107492071A (zh) * 2017-08-17 2017-12-19 京东方科技集团股份有限公司 医学图像处理方法及设备
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN108009592A (zh) * 2017-12-15 2018-05-08 云南大学 一种糖尿病性视网膜图像自动分类方法
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104899862A (zh) * 2015-04-01 2015-09-09 武汉工程大学 基于全局与局部阈值的视网膜血管分割算法
CN106408562A (zh) * 2016-09-22 2017-02-15 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106920227A (zh) * 2016-12-27 2017-07-04 北京工业大学 基于深度学习与传统方法相结合的视网膜血管分割方法
CN106778664A (zh) * 2016-12-29 2017-05-31 天津中科智能识别产业技术研究院有限公司 一种虹膜图像中虹膜区域的分割方法及其装置
CN107492071A (zh) * 2017-08-17 2017-12-19 京东方科技集团股份有限公司 医学图像处理方法及设备
CN107909581A (zh) * 2017-11-03 2018-04-13 杭州依图医疗技术有限公司 Ct影像的肺叶段分割方法、装置、系统、存储介质及设备
CN108009592A (zh) * 2017-12-15 2018-05-08 云南大学 一种糖尿病性视网膜图像自动分类方法
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
CN108062756A (zh) * 2018-01-29 2018-05-22 重庆理工大学 基于深度全卷积网络和条件随机场的图像语义分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OLAF RONNEBERGER等: ""U-Net: Convolutional Networks for Biomedical Image Segmentation"", 《ARXIV:1505.04597V1》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109754403A (zh) * 2018-11-29 2019-05-14 中国科学院深圳先进技术研究院 一种ct图像内的肿瘤自动分割方法及系统
US11954863B2 (en) 2018-11-30 2024-04-09 Tencent Technology (Shenzhen) Company Limited Image segmentation method and apparatus, diagnosis system, storage medium, and computer device
CN109658422A (zh) * 2018-12-04 2019-04-19 大连理工大学 一种基于多尺度深监督网络的视网膜图像血管分割方法
CN109685770A (zh) * 2018-12-05 2019-04-26 合肥奥比斯科技有限公司 视网膜血管弯曲度确定方法
CN109685770B (zh) * 2018-12-05 2020-10-09 合肥奥比斯科技有限公司 视网膜血管弯曲度确定方法
CN109934153A (zh) * 2019-03-07 2019-06-25 张新长 基于门控深度残差优化网络的建筑物提取方法
CN109934153B (zh) * 2019-03-07 2023-06-20 张新长 基于门控深度残差优化网络的建筑物提取方法
CN109978886B (zh) * 2019-04-01 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110544256B (zh) * 2019-08-08 2022-03-22 北京百度网讯科技有限公司 基于稀疏特征的深度学习图像分割方法及装置
CN110544256A (zh) * 2019-08-08 2019-12-06 北京百度网讯科技有限公司 基于稀疏特征的深度学习图像分割方法及装置
CN111000563A (zh) * 2019-11-22 2020-04-14 北京理工大学 一种视网膜动脉静脉直径比自动测量方法及装置
WO2021213068A1 (zh) * 2020-04-22 2021-10-28 腾讯科技（深圳）有限公司 基于人工智能的图像显示方法、装置、设备及介质
US11995827B2 (en) 2020-04-22 2024-05-28 Tencent Technology (Shenzhen) Company Limited Image display method and apparatus for detecting abnormal object based on artificial intelligence, device, and medium
CN112716446A (zh) * 2020-12-28 2021-04-30 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
CN112489047A (zh) * 2021-02-05 2021-03-12 四川大学 一种基于深度学习的盆骨及其动脉血管的多层级分割方法

Similar Documents

Publication Publication Date Title
CN108765422A (zh) 一种视网膜图像血管自动分割方法
CN110010219B (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
CN109509178A (zh) 一种基于改进的U-net网络的OCT图像脉络膜分割方法
CN109493954A (zh) 一种基于类别判别定位的sd-oct图像视网膜病变检测系统
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN107045720A (zh) 用于识别眼底图像病变的人工神经网络及系统
CN109166124A (zh) 一种基于连通区域的视网膜血管形态量化方法
CN110097545A (zh) 基于深度学习的眼底图像生成方法
CN106682616A (zh) 基于双通道特征深度学习的新生儿疼痛表情识别方法
CN109091167A (zh) 冠状动脉粥样硬化斑块增长的预测方法
CN109726743A (zh) 一种基于三维卷积神经网络的视网膜oct图像分类方法
CN101667289B (zh) 基于nsct特征提取和监督分类的视网膜图像分割方法
CN109635862A (zh) 早产儿视网膜病plus病变分类方法
CN104809480A (zh) 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
CN109727259A (zh) 一种基于残差u-net网络的视网膜图像分割算法
CN109464120A (zh) 一种糖尿病视网膜病变筛查方法、装置及存储介质
CN111028230A (zh) 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法
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
CN115409764A (zh) 一种基于域自适应的多模态眼底血管分割方法及装置
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
Schmidt et al. Cognition network technology for a fully automated 3-D segmentation of liver
CN109003659A (zh) 胃幽门螺旋杆菌感染病理诊断支持系统和方法
Suedumrong et al. Application of deep convolutional neural networks vgg-16 and googlenet for level diabetic retinopathy detection
Salaheldin et al. An evaluation of AI-based methods for papilledema detection in retinal fundus images
CN113539476A (zh) 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181106