CN109064468A - 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 - Google Patents
一种应用matlab量化分析眼睑睑板腺形态及面积的方法 Download PDFInfo
- Publication number
- CN109064468A CN109064468A CN201810968123.2A CN201810968123A CN109064468A CN 109064468 A CN109064468 A CN 109064468A CN 201810968123 A CN201810968123 A CN 201810968123A CN 109064468 A CN109064468 A CN 109064468A
- Authority
- CN
- China
- Prior art keywords
- eyelid
- image
- area
- matlab
- gland
- 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.)
- Granted
Links
- 210000004175 meibomian gland Anatomy 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 15
- 210000000744 eyelid Anatomy 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 35
- 210000004907 gland Anatomy 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000000265 homogenisation Methods 0.000 claims abstract description 7
- 230000010339 dilation Effects 0.000 claims abstract description 3
- 230000003628 erosive effect Effects 0.000 claims abstract description 3
- 230000000762 glandular Effects 0.000 claims description 51
- 230000002708 enhancing effect Effects 0.000 claims description 13
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 210000000457 tarsus Anatomy 0.000 description 8
- 230000002087 whitening effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 150000002632 lipids Chemical class 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004624 confocal microscopy Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241001608562 Chalazion Species 0.000 description 1
- 206010065062 Meibomian gland dysfunction Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 210000000795 conjunctiva Anatomy 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 210000001732 sebaceous gland Anatomy 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，所述方法包括以下步骤：步骤S1、对眼睑的腺板腺的图片进行均一化处理；步骤S2、对步骤S1中处理后的图像进行直方图均衡化；步骤S3、对步骤S2中的图像进行黑白二值化处理；步骤S4、对步骤S3中的图像进行膨胀腐蚀去噪声处理；步骤S5、应用MATLAB，精确地标记出眼睑睑腺的形态，再通过选取眼睑的位置，最终计算睑板腺/眼睑的占比。其优点表现在：通过本发明的MATLAB图像转换技术，将原本无法识别的医学图像进行边缘强化处理，最后精确地识别眼睑睑腺的形态，再通过选取眼睑的位置，即可以精确，以非人工识别的方式识别眼睑的占比。
Description
技术领域
本发明涉及人眼眼睑睑板腺分析，以及对某些特定的边缘不清晰的灰度图像进行特殊增强处理后量化分析方法。
背景技术
睑板腺是人体最大的皮脂腺，合成、储存并分泌脂质，构成泪膜的脂质层，具有重要的生理功能。睑板腺形态(包括数量)的改变是评价睑板腺功能的客观依据，因年龄及多种疾病因素而发生改变(图5)。图5图A、B：睑板腺阻塞，分泌障碍出现睑板腺囊肿，C睑板腺腺管，D睑板腺管阻塞缺失。
近年来，对睑板腺形态学的有效观察与分析，以及多种疾病因素下睑板腺形态与功能的改变是眼科临床研究的热点。目前能够成功应用于睑板腺形态学观察的设备主要有两种：红外线睑板腺照相和激光活体共聚焦显微镜。其中激光活体共聚焦显微镜价格昂贵，临床中应用较少，目前应用最多的是红外线睑板腺照相。
由于睑板腺因富含脂质颗粒可被红外线激发发出散射光线，红外线透照技术(transiliumination infrared technique)是利用该原理最早用于观察睑板腺形态学的技术，该技术逐渐应用于睑板腺的临床研究，并被称作睑板腺照相(meibography)，利用红外线透照原理改善的新型红外线透照设备，即非接触性红外线睑板腺照相系统(noncontact infrared meibography,NIM)，这是一种可以直接透视睑板腺形态的检查设备，由红外线摄像机和红外线滤片组成，无需红外线探头裂隙灯光源即可透过红外线滤片将光源发射到睑板结膜面，睑板腺的反射光被红外线摄像机捕捉，呈现白色条纹，而睑板其他部分则呈现灰黑色。NIM具有非接触、易操作、观察范围大、患者易接受、感染风险小等优点，是评价睑板腺形态学改变的可重复的客观方法。目前临床上比较常用的有日本拓普康公司生产的非接触性红外线睑板腺照相系统，以及德国Oculus公司生产的第四代角膜地形图，即眼表综合分析仪，均可进行非接触性的红外线睑板腺照相(图6)。
虽然目前市面上已经有可用的非接触式的照相技术能拍摄到眼睑的睑腺腺管，但目前为止，还没有与照相系统相配套的分析软件。更主要的是，显像后的灰度图像边缘清晰度不高，由于腺管是不规则的曲线，很难用常规方法进行直接测量，如何清晰显示模糊的图像，并对不规则的图像进行面积计算，就成了研究的难点。由于眼睑睑板腺的红外线图像，光线并不均匀，因此，用常规的提高对比度及亮度的方法，往往对比度相差不够大，经常是一侧过亮但一侧完全无法显示，用ImageJ软件或者Photoshop等图像处理软件的自带功能均无法达到满意的效果(图7)，图7应用photoshop等图像分析软件常规提高对比度，结果也无法清晰显示睑管边缘，不能实现面积计算。
因此，要想对睑板腺的腺管进行分析，计算面积，还需要进一步用一些特殊的图像处理方式来进行表达。在这一方面，MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂(矩阵实验室)。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式，代表了当今国际科学计算软件的先进水平。
MATLAB可以对要处理图像的运算提供了多种个体化的运算，提供诸如imadjust,imshapen，gamma矫正，log对数转换，Laplace运算，直方图均衡化等强大的图像处理函数，能够对图像进行不同的处理，达到需要的目的。
虽然应用MATLAB众多功能强大的图像处理函数，可以对睑板腺的腺管结构进行强化，但由于睑板腺显示不清，边缘模糊，通过实验证实以软件自带的几种提高对比度的图像函数，处理的效果并不领人满意，由于角膜区反光过强，均一增强后，使得图像常常一侧过亮，一侧过暗，这样进一步黑白二值化处理化，就无法很好地显示腺管结构。
中国专利文献CN201320362827.8，申请日20130624，专利名称为：睑板腺红外成像装置，公开了一种睑板腺红外成像装置，它的装置主体部分包括红外线照明装置、可见光照明装置、镀膜反光镜、对焦光装置、红外线摄像机、显微镜观察装置；红外线照明装置发出的红外光照射到被检者的睑板腺上，在睑板腺上被反射的红外光通过镀膜反光镜反射进入红外线摄像机被其拍摄。红外线摄像机与镀膜反光镜之间设有聚焦镜头。对焦光装置用于校对使得聚焦镜头到被检者睑板腺的距离固定一致。
上述专利文献指出该方法能将睑板腺清晰直观地显示出来，可以让医生对睑板腺的形态和结构进行观察、测量和评判，可用于对睑板腺功能异常患者的诊断、治疗和预防。但该方法只是能达到显示腺管结构的目的，是已有的仪器显像腺管的一种有益的补充，并未进一步指出是否可以通过图像分析提取出腺管结构，对于之后能否精确地计算腺管占整个眼睑的面积的比例的技术方案则未进行相应的公开。从目前查阅到的文献来看，还是人工识别腺管为主，人为误差大，并且很不精确。
综上所述，我们需要一种基于现有临床中常用的照相技术拍摄的图片的基础上，能够清晰且全部显示睑板腺管结构，并可以精确地计算腺管占整个眼睑的面积的比例的方法。从目前查阅到的文献来看，关于这种方法目前还未见报道。
发明内容
本发明的目的是针对现有技术中的不足，提供一种能够清晰且全部显示睑板腺管结构，可以精确地计算腺管占整个眼睑的面积的比例的方法。
为实现上述目的，本发明采取的技术方案是：
一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，所述方法包括以下步骤：
步骤S1、对眼睑的腺板腺的图片进行对比度均一化处理；
步骤S2、对步骤S1中处理后的图像进行直方图均衡化；
步骤S3、对步骤S2中的图像进行黑白二值化处理；
步骤S4、对步骤S3中的图像进行包括膨胀腐蚀去噪声处理；
步骤S5、应用MATLAB黑白图像的面积计算函数，计算眼睑睑腺的像素面积，再通过选取眼睑的位置，精确识别眼睑的占比。
作为一种优选的技术方案，步骤S2中图像黑白化二值化处理是通过增强函数来实现的。
作为一种优选的技术方案，所述的增强函数包括直方图修改处理从而使腺管图像边缘更加对比分明。
作为一种优选的技术方案，步骤S4中的噪声处理具体包括以下步骤：
步骤S41、获取目标腺管区域图像；
步骤S42、对步骤S41中的目标腺管区域图像进行膨胀处理；
步骤S43、对步骤S42的图像进行腐蚀处理。
5.根据权利要求4所述的种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，所述步骤S5具体包括以下步骤：
步骤S51、将步骤S41中获取目标腺管区域图像提取出来，并保存；
步骤S52、应用MATLAB中的bwarea函数计算白色部分的眼睑睑腺腺管面积；
步骤S53、再应用MATLAB中polyarea函数计算眼睑部分面积；
步骤S54、通过步骤S52所计算出的睑睑腺腺管面积以及步骤S53计算出的眼睑部分面积，两者的比例即腺管占整个眼睑的面积的比例。
本发明优点在于：
1、本发明的一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，通过本发明的MATLAB图像转换技术，将原本无法识别的图像进行平滑处理，最后精确地识别眼睑睑腺的面积，再通过选取眼睑的位置，即可以精确，以非人工识别的方式识别眼睑的占比。
2、先对眼睑的腺板腺的图片进行均一化处理，再对图像进行直方图均衡化处理，这样能够清晰且全部显示睑板腺管结构，就可以在确保整个图片清晰度一致的情况下，对图片进行增强对比处理，经处理后，图片黑白化处理的腺管结构达到了满意的程度。
3、通过执行噪声处理，具体体现为对图像进行膨胀及腐蚀处理，这样，腺管显示得更加自然真实，边缘更加平滑。
4、将目标中的腺管区域提取出来，保存后，应用MATLAB中的bwarea函数计算白色的部分，即眼睑睑腺腺管面积，再应用polyarea函数计算眼睑部分的面积，最后通过两者的差值，即可以精确地计算腺管占整个眼睑的面积的比例。
附图说明
附图1是本发明的一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法流程图。
附图2是本发明中均一化处理，以及在直方图均衡化的实施示意图。
附图3是本发明中的黑白化处理实施示意图。
附图4是本发明的眼睑睑板的面积比例计算实施示意图。
附图5是现有技术中关于睑板腺的形态示意图。
附图6是现有技术中关于英语Oculus角膜地形非接触红外线系统显示睑板的示意图。
附图7是现有技术中应用photoshop等图像分析软件常规提高对比度示意图。
附图8是现有技术中在MATLAB中直接使用增强函数处理图像的示意图。
附图9是在图8进行增强后，采用黑白二值化处理的示意图。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
实施例1
请参照图1，图1是本发明的一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法流程图。所述的方法包括以下步骤：
步骤S1、对眼睑的腺板腺的图片进行均一化处理；
步骤S2、对步骤S1中处理后的图像进行直方图均衡化；
步骤S3、对步骤S2中的图像进行黑白二值化处理(见图2)；
这样，通过步骤S1/S2/S3，就可以在确保整个图片清晰度一致的情况下，对图片进行增强对比处理，经处理后，图片黑白化处理后，可见腺管结构可以清晰显示，腺管结构达到了满意的程度。
虽然图像经黑白化处理后，可以显示腺管结构，但结构不可避免受到噪声的影响，进一步执行步骤S4：
步骤S4、对步骤S3中的图像进行噪声处理；步骤S4中的噪声处理具体包括以下步骤：
步骤S41、获取目标腺管区域图像；
步骤S42、对步骤S41中的目标腺管区域图像进行膨胀处理；
步骤S43、对步骤S42的图像进行腐蚀处理(见图3)。
这样，腺管显示得更加自然真实，边缘更加平滑。
步骤S5、应用MATLAB，精确地识别眼睑睑腺的面积，再通过选取眼睑的位置，精确识别眼睑的占比。具体如下：
步骤S51、将步骤S41中获取目标腺管区域图像提取出来，并保存；
步骤S52、应用MATLAB中的bwarea函数计算白色部分的眼睑睑腺腺管面积；
步骤S53、再应用MATLAB中polyarea函数计算眼睑部分面积；
步骤S54、通过步骤S52所计算出的睑睑腺腺管面积以及步骤S53计算出的眼睑部分面积，获得两者的差值可以精确地计算腺管占整个眼睑的面积的比例(见图4)。
对比例1
请参照图8和图9，图8是现有技术中在MATLAB中直接使用增强函数处理图像的示意图。图9是在图8进行增强后，采用黑白二值化处理的示意图。
由图5可知，使用MATLAB图像中的增强函数，虽然图像有增强，但仍然无法较好地显示全部的腺管结构，睑板腺显示不清，边缘模糊。由图6可知，使用MATLAB图像直接增强，再进行白二值化处理后，均无法完整地显示腺管结构。
本发明的一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，通过本发明的MATLAB图像转换技术，将原本无法识别的图像进行平滑处理，最后精确地识别眼睑睑腺的面积，再通过选取眼睑的位置，即可以精确，以非人工识别的方式识别眼睑的占比。先对眼睑的腺板腺的图片进行均一化处理，再对图像进行直方图均衡化处理，这样能够清晰且全部显示睑板腺管结构，就可以在确保整个图片清晰度一致的情况下，对图片进行增强对比处理，经处理后，图片黑白化处理的腺管结构达到了满意的程度；通过执行噪声处理，即对图像进行膨胀及腐蚀处理，这样，腺管显示得更加自然真实，边缘更加平滑；将目标中的腺管区域提取出来，保存后，应用MATLAB中的bwarea函数计算白色的部分，即眼睑睑腺腺管面积，再应用polyarea函数计算眼睑部分的面积，最后通过两者的差值，即可以精确地计算腺管占整个眼睑的面积的比例。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。
Claims (5)
1.一种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，所述方法包括以下步骤：
步骤S1、对眼睑的腺板腺的图片进行对比度均一化处理；
步骤S2、对步骤S1中处理后的图像进行直方图均衡化；
步骤S3、对步骤S2中的图像进行黑白二值化处理；
步骤S4、对步骤S3中的图像进行包括膨胀腐蚀去噪声处理；
步骤S5、应用MATLAB黑白图像的面积计算函数，计算眼睑睑腺的像素面积，再通过选取眼睑的位置，精确识别眼睑的占比。
2.根据权利要求1所述的应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，步骤S2中图像黑白化二值化处理是通过增强函数来实现的。
3.根据权利要求2所述的种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，所述的增强函数包括直方图修改处理从而使腺管图像边缘更加对比分明。
4.根据权利要求1所述的种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，步骤S4中的噪声处理具体包括以下步骤：
步骤S41、获取目标腺管区域图像；
步骤S42、对步骤S41中的目标腺管区域图像进行膨胀处理；
步骤S43、对步骤S42的图像进行腐蚀处理。
5.根据权利要求4所述的种应用MATLAB量化分析眼睑睑板腺形态及面积的方法，其特征在于，所述步骤S5具体包括以下步骤：
步骤S51、将步骤S41中获取目标腺管区域图像提取出来，并保存；
步骤S52、应用MATLAB中的bwarea函数计算白色部分的眼睑睑腺腺管面积；
步骤S53、再应用MATLAB中polyarea函数计算眼睑部分面积；
步骤S54、通过步骤S52所计算出的睑睑腺腺管面积以及步骤S53计算出的眼睑部分面积，两者的比例即为腺管占整个眼睑的面积的比例。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968123.2A CN109064468B (zh) | 2018-08-23 | 2018-08-23 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810968123.2A CN109064468B (zh) | 2018-08-23 | 2018-08-23 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064468A true CN109064468A (zh) | 2018-12-21 |
| CN109064468B CN109064468B (zh) | 2021-07-06 |
Family
ID=64756763
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810968123.2A Expired - Fee Related CN109064468B (zh) | 2018-08-23 | 2018-08-23 | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064468B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109700431A (zh) * | 2019-01-20 | 2019-05-03 | 中山大学中山眼科中心 | 一种基于双照明模式获取睑板腺图像的装置、睑板腺图像处理方法以及系统 |
| CN111528789A (zh) * | 2020-05-27 | 2020-08-14 | 复旦大学附属眼耳鼻喉科医院 | 一种对睑板腺腺体清晰度评估的图像检测方法 |
| CN111539932A (zh) * | 2020-04-22 | 2020-08-14 | 四川省肿瘤医院 | 一种血色素测量仪及测量方法 |
| CN115019379A (zh) * | 2022-05-31 | 2022-09-06 | 福州大学 | 一种人机协同的红外睑板腺图像量化分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
| WO2013109193A1 (en) * | 2012-01-18 | 2013-07-25 | Agency For Science, Technology And Research | Computational methods and apparatus for meiboqraphy |
| US20140320820A1 (en) * | 2009-11-12 | 2014-10-30 | Agency For Science, Technology And Research | Method and device for monitoring retinopathy |
| US20150141837A1 (en) * | 2011-04-08 | 2015-05-21 | Kabushiki Kaisha Topcon | Ophthalmological image analyzer and ophthalmological image analysis method |
| CN105792729A (zh) * | 2013-05-03 | 2016-07-20 | 眼泪科学公司 | 用于对睑板腺进行成像以供睑板腺分析的眼睑照明系统和方法 |
| CN105894010A (zh) * | 2016-02-29 | 2016-08-24 | 太原理工大学 | 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法 |
| CN106530294A (zh) * | 2016-11-04 | 2017-03-22 | 中山大学中山眼科中心 | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 |
-
2018
- 2018-08-23 CN CN201810968123.2A patent/CN109064468B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140320820A1 (en) * | 2009-11-12 | 2014-10-30 | Agency For Science, Technology And Research | Method and device for monitoring retinopathy |
| US20150141837A1 (en) * | 2011-04-08 | 2015-05-21 | Kabushiki Kaisha Topcon | Ophthalmological image analyzer and ophthalmological image analysis method |
| WO2013109193A1 (en) * | 2012-01-18 | 2013-07-25 | Agency For Science, Technology And Research | Computational methods and apparatus for meiboqraphy |
| CN102982542A (zh) * | 2012-11-14 | 2013-03-20 | 天津工业大学 | 一种基于相位一致性的眼底图像血管分割方法 |
| CN105792729A (zh) * | 2013-05-03 | 2016-07-20 | 眼泪科学公司 | 用于对睑板腺进行成像以供睑板腺分析的眼睑照明系统和方法 |
| CN105894010A (zh) * | 2016-02-29 | 2016-08-24 | 太原理工大学 | 一种基于粗糙集和改进fcm算法的睑板腺功能测定方法 |
| CN106530294A (zh) * | 2016-11-04 | 2017-03-22 | 中山大学中山眼科中心 | 一种对睑板腺图像进行处理以获得腺体参数的信息的方法 |
Non-Patent Citations (2)
| Title |
|---|
| DIAH ANGGRAENI PITALOKA等: "Enhancing CNN with Preprocessing Stage in Automatic Emotion Recognition", 《PROCEDIA COMPUTER SCIENCE》 * |
| 薛连剑: "睑板腺近红外图像处理算法的研究", 《万方学位论文数据库》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109700431A (zh) * | 2019-01-20 | 2019-05-03 | 中山大学中山眼科中心 | 一种基于双照明模式获取睑板腺图像的装置、睑板腺图像处理方法以及系统 |
| CN109700431B (zh) * | 2019-01-20 | 2024-05-24 | 中山大学中山眼科中心 | 一种基于双照明模式获取睑板腺图像的装置、睑板腺图像处理方法以及系统 |
| CN111539932A (zh) * | 2020-04-22 | 2020-08-14 | 四川省肿瘤医院 | 一种血色素测量仪及测量方法 |
| CN111539932B (zh) * | 2020-04-22 | 2023-03-14 | 四川省肿瘤医院 | 一种血色素测量仪及测量方法 |
| CN111528789A (zh) * | 2020-05-27 | 2020-08-14 | 复旦大学附属眼耳鼻喉科医院 | 一种对睑板腺腺体清晰度评估的图像检测方法 |
| CN115019379A (zh) * | 2022-05-31 | 2022-09-06 | 福州大学 | 一种人机协同的红外睑板腺图像量化分析方法 |
| CN115019379B (zh) * | 2022-05-31 | 2024-08-30 | 福州大学 | 一种人机协同的红外睑板腺图像量化分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064468B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Patel et al. | Quantitative analysis of in vivo confocal microscopy images: a review | |
| Sigal et al. | Eye-specific IOP-induced displacements and deformations of human lamina cribrosa | |
| WO2020199593A1 (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
| CN107451998B (zh) | 一种眼底图像质量控制方法 | |
| Barman et al. | Quantification of posterior capsular opacification in digital images after cataract surgery | |
| CN109064468A (zh) | 一种应用matlab量化分析眼睑睑板腺形态及面积的方法 | |
| JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
| CN105310646B (zh) | 基于白睛无影成像的人体健康状况在体分析系统 | |
| WO2021135557A1 (zh) | 一种人工智能多模成像分析装置 | |
| Luck et al. | An image model and segmentation algorithm for reflectance confocal images of in vivo cervical tissue | |
| US20140050386A1 (en) | Systems and methods for in vitro and in vivo imaging of cells on a substrate | |
| Jose et al. | A novel method for glaucoma detection using optic disc and cup segmentation in digital retinal fundus images | |
| Swiderska et al. | Latest developments in meibography: a review | |
| CN109993731A (zh) | 一种眼底病变分析方法及装置 | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| CN108209858A (zh) | 一种基于裂隙灯平台的眼科功能检查装置以及图像处理方法 | |
| Canavesi et al. | Unbiased corneal tissue analysis using Gabor-domain optical coherence microscopy and machine learning for automatic segmentation of corneal endothelial cells | |
| Pathak et al. | Development of portable and robust cataract detection and grading system by analyzing multiple texture features for Tele-Ophthalmology | |
| Nyström et al. | The amplitude of small eye movements can be accurately estimated with video-based eye trackers | |
| De Zanet et al. | Retinal slit lamp video mosaicking | |
| Mantena et al. | Low-cost, smartphone-based specular imaging and automated analysis of the corneal endothelium | |
| JP4751689B2 (ja) | 眼球表面解析システム | |
| Aschauer et al. | Non-invasive quantification of corneal vascularization using anterior segment optical coherence tomography angiography | |
| CN105411523A (zh) | 一种角膜图像处理方法 | |
| Hajer et al. | Localization of the optic disk in retinal image using the ‘watersnake’ |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210706 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |