CN109087310A - 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 - Google Patents
睑板腺纹理区域的分割方法、系统、存储介质及智能终端 Download PDFInfo
- Publication number
- CN109087310A CN109087310A CN201810818949.0A CN201810818949A CN109087310A CN 109087310 A CN109087310 A CN 109087310A CN 201810818949 A CN201810818949 A CN 201810818949A CN 109087310 A CN109087310 A CN 109087310A
- Authority
- CN
- China
- Prior art keywords
- meibomian gland
- texture region
- texture
- gland
- network model
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了睑板腺纹理区域的分割方法、系统、存储介质及智能终端,分割方法包括:智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。本发明通过建立睑板腺分割网络模型进行睑板腺纹理区域的分割,能够准确定位出睑板腺纹理区域及其所在眼睑内表面区域,减少或消除传统图像处理之中因为个体差异及图像质量不同而造成的分割效果差的影响,提高睑板腺纹理区域的判断及分割的准确度。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种睑板腺纹理区域的分割方法、系统、存储介质及智能终端。
背景技术
在医学领域中,睑板腺纹理定位主要应用红外线睑板腺成像、激光共聚焦显微成像、泪膜脂质层干涉成像等方法进行观察检查,而睑板腺纹理的面积则应用于睑板腺功能障碍(MGD)的诊断与睑板腺的状态分级。在上述各种检查方法之中,均由检查者人工观察睑板腺面积缺失率、腺体面积占比等睑板腺形态学参数。因此在计算机辅助诊断中,睑板腺纹理的准确分割是实现计算睑板腺纹理面积的首要前提。
现有的睑板腺纹理区域的分割多采用与图像灰度或图像形态特征直接相关的方法。例如,先确定眼睑内表面区域的大概位置,然后通过如高斯滤波、图像形态学操作等图像处理操作对图像进行预处理,再在其基础上进一步通过如阈值二值化等操作分割睑板腺纹理,继而进行接下来的面积量化计算。但是,由于眼睑内表面覆盖着起保护、湿润作用的油脂层,在成像过程之中难免产生表面反射而形成高光亮斑,加之难以消除不同成像仪器的成像质量,以及操作人员的操作习惯、受测者的个体差异的影响,所以基于灰度或纹理形态特征的分割方法极容易受到上述因素而产生过分割或欠分割的结果,因此,若继续采用阈值二值化方法得出的阈值会有很大的误差,影响睑板腺纹理的准确分割。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供睑板腺纹理区域的分割方法、系统、存储介质及智能终端,旨在解决现有技术中的睑板腺纹理的分割方法容易受到成像过程中的噪声干扰,导致误差较大,无法完整地分割出睑板腺纹理区域等问题。
本发明解决技术问题所采用的技术方案如下:
一种睑板腺纹理区域的分割方法,其中,所述分割方法包括:
智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
所述的睑板腺纹理区域的分割方法,其中,所述分割方法还包括:
预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型。
所述的睑板腺纹理区域的分割方法,其中,所述分割方法还包括:
对分割出的睑板腺纹理区域进行量化计算,计算出睑板腺纹理区域的面积与所述睑板腺纹理区域所在的眼睑内表面区域面积之占比,输出计算结果;
所述计算结果作为对睑板腺的健康状态进行自动分级的依据。
所述的睑板腺纹理区域的分割方法,其中,所述预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域的睑板腺分割网络模型具体包括:
获取临床采集到的睑板腺图像数据,选取其中部分图像作为建立睑板腺分割网络模型的训练数据集,剩余图像数据作为测试数据集;
从获取的训练数据集中提取睑板腺纹理区域特征以及所述睑板腺纹理区域所在的眼睑内表面区域特征,并进行深度学习与训练;
在训练过程中通过引入几何变换,并建立用于自动分割睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型。
所述的睑板腺纹理区域的分割方法,其中,所述预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域的睑板腺分割网络模型还包括:
在训练时加入图像增强处理,强化所述训练数据集中的睑板腺纹理,以使所述睑板腺纹理符合人眼的观察判断或者计算机的识别;
以及对训练数据集进行图像预处理操作,以扩增建立所述睑板腺分割网络模型所需要的训练数据集;
所述图像预处理包括:旋转、随机裁切、gamma变换、随机缩放、遮挡、镜像、高斯模糊及几何变换;
所述图像增强处理包括:自适应直方图均衡、高频强调滤波,图像形态学腐蚀、膨胀、灰度值拉伸。
所述的睑板腺纹理区域的分割方法,其中,所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果具体包括:
所述睑板腺分割网络模型对睑板腺图像数据中的睑板腺纹理进行识别,并将所述睑板腺纹理所在的眼睑内表面区域进行分割;
在分割出所述睑板腺纹理所在的眼睑内表面区域之后,再对眼睑内表面区域中的睑板腺纹理区域进行分割,并将分割结果输出。
所述的睑板腺纹理区域的分割方法,其中,所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果还包括:
将所述分割结果输入至所述睑板腺分割网络模型中,以对所述睑板腺分割网络模型进行更新。
一种睑板腺纹理区域的分割系统,其中,所述分割系统包括:
分割模型创建模块,用于预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型;
图像数据获取模块,用于智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
自动分割处理模块,用于所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
一种存储介质,其上存储有多条指令,其中,所述指令适于由处理器加载并执行,以执行实现所述的睑板腺纹理区域的分割方法的步骤。
一种智能终端,其中,包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现所述的睑板腺纹理区域的分割方法的步骤。
本发明的有益效果:本发明通过建立睑板腺分割网络模型进行睑板腺纹理区域的分割,能够准确定位出睑板腺纹理区域及其所在眼睑内表面区域,减少或消除传统图像处理之中因为个体差异及图像质量不同而造成的分割效果差的影响,提高睑板腺纹理区域的判断及分割的准确度。
附图说明
图1是本发明睑板腺纹理区域的分割方法的较佳实施例的流程图。
图2是本发明睑板腺纹理区域的分割方法中建立睑板腺分割网络模型时所获取的图像。
图3是本发明睑板腺纹理区域的分割方法中引入几何变换以模拟眼睑在被手指翻动时的不同程度的形变的变化示意图。
图4是本发明睑板腺纹理区域的分割方法中利用睑板腺分割网络模型对睑板腺纹理区域的分割效果图。
图5是本发明的睑板腺纹理区域的分割系统的功能原理图。
图6是本发明的智能终端的功能原理图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。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。
由于睑板腺纹理面积是很多睑板腺功能障碍(MGD)诊断中必须考虑的一个条件。而睑板腺纹理的准确分割是计算睑板腺纹理面积的首要前提。
现有的睑板腺纹理区域的分割多采用与图像灰度或图像形态特征直接相关的方法。例如,先确定眼睑内表面区域的大概位置(ROI),然后通过如高斯滤波、图像形态学操作等图像处理操作对图像进行预处理,再在其基础上进一步通过如阈值二值化等操作分割睑板腺纹理,继而进行接下来的面积量化计算。但是,由于眼睑内表面覆盖着起保护、湿润作用的油脂层,在成像过程之中会产生表面反射而形成高光亮斑,加之难以消除不同成像仪器的成像质量,以及操作人员的操作习惯、受测者的个体差异的影响,所以基于灰度或纹理形态特征的分割方法极容易受到上述因素而产生过分割或欠分割的结果,因此,若继续采用阈值二值化方法得出的阈值会有很大的误差。其实不仅是阈值二值化分割方法,其他方法的分割结果也都不理想。
为了解决现有技术中的缺陷,本发明提供一种睑板腺纹理区域的分割方法,如图1所示,所述分割方法包括:
步骤S100、智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中。
针对睑板腺纹理区域的分割,由于睑板腺属于皮脂腺,其分泌物在其表面形成脂质层,在成像过程之中极其容易因反射而产生高光亮斑,所以分割方法需要对目标区域的随机高光亮斑干扰具有较为鲁棒的可操作性。在医学图像处理的领域,深度神经网络通常用来判断特定疾病的存在与否或者分割人体相关的病灶或重要器官。随着深度学习的发展,使得计算机辅助的图像前期诊断的正确率大大提高,极大的提高了医生的问诊效率,也助力医疗行业的健康发展,深度学习在医疗领域将拥有更广阔的前景。
因此,本发明采用深度学习的方法,预先建立一种可以自动对图像数据中的睑板腺纹理区域以及睑板腺纹理区域所在的眼睑内表面区域进行分割的睑板腺分割网络模型。
具体地,首先获取临床采集到的睑板腺图像,选取其中部分图像(如80%)作为建立睑板腺分割网络模型的训练数据集,剩余图像数据作为测试数据集。如图2所示,图2是本发明睑板腺纹理区域的分割方法中建立睑板腺分割网络模型时所获取的图像。其中图2中的A为临床上获取的睑板腺图像。较佳地,本实施例中通常采用专业人士手工描记的方法对获取的睑板腺图像中的睑板腺纹理及其所在的眼睑内表面区域进行标注,并且尽量保证准确度,以便建立更加精确的睑板腺分割网络模型,标注后的图像如图2中的B所示。然后提取标记后的睑板腺纹理及其所在的眼睑内表面区域特征(如图2中的C所示),并进行深度学习与训练。
优选地,本实施例在训练的过程中,引入几何变换,模拟眼睑在被手指翻动时的变形。如图3所示,图3是本发明睑板腺纹理区域的分割方法中引入几何变换以模拟眼睑在被手指翻动时的不同程度的形变的变化示意图,图3中的a和b表示的是眼睑被手指翻动时变形的两个状态。本实施例中以刚性变换(Rigid Deformation)作为其中一种几何变换的具体实施例。此外,为了得到更加精确的分割结果,本发明在离线训练时还加入图像预处理操作,如旋转、随机裁切、gamma变换、随机缩放、镜像、遮挡、高斯模糊以及几何变换等处理,以扩增建立所述睑板腺分割网络模型所需要的训练数据集。此外,在此之前本实施例还采用图像增强处理,如自适应直方图均衡、高频强调滤波、图像形态学腐蚀、膨胀、灰度值拉伸等处理,强化所述训练数据集中的睑板腺纹理,以使所述睑板腺纹理符合人眼的观察判断或者计算机的识别,从而取得更好的分割效果。
值得说明的是,本实施例中所列举的图像预处理举例以及图像增强处理举例仅仅是用来说明本发明的技术方案,并不用于限定本发明,其他方式的图像预处理以及图像增强处理方法也应属于本发明的保护范围。
进一步地,本发明将建立好的睑板腺分割网络模型嵌入至智能终端中,使得智能终端具有自动进行睑板腺纹理分割的功能。当需要对临床上采集的睑板腺图像数据进行睑板腺纹理区域分割时,智能终端获取待处理的睑板腺图像数据,并将获取的睑板腺图像数据输入至上述的通过离线训练建立的睑板腺分割网络模型中。
进一步地,步骤S200、所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
所述步骤S200具体包括:
所述睑板腺分割网络模型对睑板腺图像数据中的睑板腺纹理进行识别,并将所述睑板腺纹理所在的眼睑内表面区域进行分割;
在分割出所述睑板腺纹理所在的眼睑内表面区域之后,再对眼睑内表面区域中的睑板腺纹理区域进行分割,并将分割结果输出。
具体实施时,睑板腺分割网络模型依次对睑板腺图像数据中的所有输入的睑板腺图像数据进行分割,并输出分割结果。在分割的过程中,首先对睑板腺图像数据中的睑板腺纹理进行识别,并将所述睑板腺纹理所在的眼睑内表面区域进行分割,然后再将所述睑板腺纹理所在的眼睑内表面区域分割出来。
事实上,在利用传统手段进行图像分割时,极其容易受图像中的随机噪声或个体差异的影响而产生分割误差,通常为了减少或消除此误差,会加入许多人为选择过的处理步骤,从而造成整个分割方法在某一个数据集上过拟合(Over Fitting),泛化性降低。而本发明的睑板腺纹理区域的分割方法基于深度学习对睑板腺纹理以及睑板腺纹理所在的眼睑内表面区域特征进行学习,其学习到的特征对于随机亮斑不敏感,能准确鲁棒的定位出睑板腺纹理及其所在的眼睑内表面区域。并且通过深度学习自动获取图像特征,代替了传统繁琐的手工获取特征的不便,排除了随机噪声与个人差异的干扰,从而更好的提高其分割结果的完整度和精度的同时也提高了模型的泛化性。
较佳地,本发明还将所述分割结果输入至睑板腺分割网络模型中,以对所述睑板腺分割网络模型进行更新,从而进一步提高其分割效果。
本发明的分割效果如图4中所示,图4是本发明睑板腺纹理区域的分割方法中利用睑板腺分割网络模型对睑板腺纹理区域的分割效果图。图4中的Ⅰ图表示的是输入到所述睑板腺分割网络模型的原图,图4中的Ⅱ图表示的是利用睑板腺分割网络模型睑板腺纹理区域及其所在眼睑内表面区域分割后的效果图。图4中可以看到即使原图(图4Ⅰ图)中有随机高光伪影的存在,对最终分割效果(图4Ⅱ图)的影响也非常小。
进一步地,本发明还可以根据上述的分割结果对分割出的睑板腺纹理区域进行量化计算,计算出睑板腺纹理区域的面积与所述睑板腺纹理区域所在的眼睑内表面区域面积之占比,并输出计算结果。所述计算结果作为对睑板腺的健康状态进行自动分级的依据。为了进一步提高可信度与准确性,本发明中使用专业人士所定下的分级标准来对睑板腺的健康状态进行分级。
基于上述实施例,本发明还提供一种睑板腺纹理区域的分割系统,如图5所示,所述分割系统包括:
分割模型创建模块501,用于预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型;
图像数据获取模块502,用于智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
自动分割处理模块503,用于所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
所述分割系统还包括:对分割出的睑板腺纹理区域进行量化计算,计算出睑板腺纹理区域的面积与所述睑板腺纹理区域所在的眼睑内表面区域面积之占比,输出计算结果;所述计算结果作为对睑板腺的状态进行自动分级的依据。
具体地,所述分割模型创建模块501具体包括:
数据获取单元,用于获取临床采集到的睑板腺图像数据,选取其中部分图像作为建立睑板腺分割网络模型的训练数据集,剩余图像数据作为测试数据集;
学习与训练单元,用于从获取的训练数据集中提取睑板腺纹理区域特征以及所述睑板腺纹理区域所在的眼睑内表面区域特征,并进行深度学习与训练;
模型创建单元,用于在训练过程中通过引入几何变换,并建立用于自动分割睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型。
所述分割模型创建模块501还包括:
预处理单元,用于在训练时中加入图像增强处理,强化所述训练数据集中的睑板腺纹理,以使所述睑板腺纹理符合人眼的观察判断或者计算机的识别;以及对训练数据集进行图像预处理操作,以扩增建立所述睑板腺分割网络模型所需要的训练数据集;所述图像预处理举例包括:旋转、随机裁切、gamma变换、随机缩放、镜像、遮挡、高斯模糊以及几何变换等;所述图像增强处理举例包括:自适应直方图均衡、高频强调滤波、图像形态学腐蚀、膨胀、灰度值拉伸。
进一步地,所述自动分割处理模块503具体包括:
第一分割单元,用于所述睑板腺分割网络模型对睑板腺图像数据中的睑板腺纹理进行识别,并将所述睑板腺纹理所在的眼睑内表面区域进行分割;
第二分割单元,用于在分割出所述睑板腺纹理所在的眼睑内表面区域之后,再对眼睑内表面区域中的睑板腺纹理区域进行分割,并将分割结果输出;
模型更新单元,用于至所述睑板腺分割网络模型中,以对所述睑板腺分割网络模型进行更新。
本发明的睑板腺纹理区域的分割系统是基于深度学习的方法对睑板腺纹理以及睑板腺纹理所在的眼睑内表面区域特征进行学习,其学习到的特征对于随机亮斑不敏感,能准确鲁棒的定位出睑板腺纹理及其所在的眼睑内表面区域。并且通过深度学习自动获取图像特征,代替了传统繁琐的手工获取特征的不便,排除了随机噪声与个人差异的干扰,从而更好的提高其分割结果的完整度和精度的同时也提高了模型的泛化性。
基于上述实施例,本发明还公开了一种智能终端,如图6所示,包括:处理器(processor)10、与处理器10连接的存储介质(memory)20;其中,所述处理器10用于调用所述存储介质20中的程序指令,以执行上述实施例所提供的方法,例如执行:
智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
本发明实施例还提供一种存储介质,所述存储介质上存储计算机指令,所述计算机指令使计算机执行上述各实施例所提供的方法。
综上所述,本发明提供的睑板腺纹理区域的分割方法、系统、质及智能终端,分割方法包括:智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。本发明通过建立睑板腺分割网络模型进行睑板腺纹理区域的分割,能够准确定位出睑板腺纹理区域及其所在眼睑内表面区域,减少或消除传统图像处理之中因为个体差异及图像质量不同而造成的分割效果差的影响,提高睑板腺纹理区域的判断及分割的准确度。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种睑板腺纹理区域的分割方法,其特征在于,所述分割方法包括:
智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
2.根据权利要求1所述的睑板腺纹理区域的分割方法,其特征在于,所述分割方法还包括:
预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型。
3.根据权利要求1所述的睑板腺纹理区域的分割方法,其特征在于,所述分割方法还包括:
对分割出的睑板腺纹理区域进行量化计算,计算出睑板腺纹理区域的面积与所述睑板腺纹理区域所在的眼睑内表面区域面积之占比,输出计算结果;
所述计算结果作为对睑板腺的状态进行自动分级的依据。
4.根据权利要求2所述的睑板腺纹理区域的分割方法,其特征在于,所述预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域的睑板腺分割网络模型具体包括:
获取临床采集到的睑板腺图像数据,选取其中部分图像作为建立睑板腺分割网络模型的训练数据集,剩余图像数据作为测试数据集;
从获取的训练数据集中提取睑板腺纹理区域特征以及所述睑板腺纹理区域所在的眼睑内表面区域特征,并进行深度学习与训练;
在训练过程中通过引入几何变换,并建立用于自动分割睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型。
5.根据权利要求4所述的睑板腺纹理区域的分割方法,其特征在于,所述预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域的睑板腺分割网络模型还包括:
在训练时中加入图像增强处理,强化所述训练数据集中的睑板腺纹理,以使所述睑板腺纹理符合人眼的观察判断或者计算机的识别;
以及对训练数据集进行图像预处理操作,以扩增建立所述睑板腺分割网络模型所需要的训练数据集;
所述图像预处理包括:旋转、随机裁切、gamma变换、随机缩放、遮挡、镜像、高斯模糊及几何变换;
所述图像增强处理包括:自适应直方图均衡、高频强调滤波、图像形态学腐蚀、膨胀、灰度值拉伸。
6.根据权利要求1所述的睑板腺纹理区域的分割方法,其特征在于,所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果具体包括:
所述睑板腺分割网络模型对睑板腺图像数据中的睑板腺纹理进行识别,并将所述睑板腺纹理所在的眼睑内表面区域进行分割;
在分割出所述睑板腺纹理所在的眼睑内表面区域之后,再对眼睑内表面区域中的睑板腺纹理区域进行分割,并将分割结果输出。
7.根据权利要求1所述的睑板腺纹理区域的分割方法,其特征在于,所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果还包括:
将所述分割结果输入至所述睑板腺分割网络模型中,以对所述睑板腺分割网络模型进行更新。
8.一种睑板腺纹理区域的分割系统,其特征在于,所述分割系统包括:
分割模型创建模块,用于预先通过离线训练的方式建立用于自动分割出睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域的睑板腺分割网络模型;
图像数据获取模块,用于智能终端获取临床采集到的待处理的睑板腺图像数据,并将所述睑板腺图像数据输入至预先通过离线训练建立的睑板腺分割网络模型中;
自动分割处理模块,用于所述睑板腺分割网络模型对所述睑板腺图像数据进行处理,自动分割出所述睑板腺图像数据中的睑板腺纹理区域以及所述睑板腺纹理区域所在的眼睑内表面区域,并输出分割结果。
9.一种存储介质,其上存储有多条指令,其特征在于,所述指令适于由处理器加载并执行,以执行实现上述权利要求1-7任一项所述的睑板腺纹理区域的分割方法的步骤。
10.一种智能终端,其特征在于,包括:处理器、与处理器通信连接的存储介质,所述存储介质适于存储多条指令;所述处理器适于调用所述存储介质中的指令,以执行实现上述权利要求1-7任一项所述的睑板腺纹理区域的分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810818949.0A CN109087310B (zh) | 2018-07-24 | 2018-07-24 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810818949.0A CN109087310B (zh) | 2018-07-24 | 2018-07-24 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087310A true CN109087310A (zh) | 2018-12-25 |
CN109087310B CN109087310B (zh) | 2022-07-12 |
Family
ID=64838359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810818949.0A Active CN109087310B (zh) | 2018-07-24 | 2018-07-24 | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087310B (zh) |
Cited By (5)
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 |
CN111008988A (zh) * | 2020-03-04 | 2020-04-14 | 执鼎医疗科技(杭州)有限公司 | 睑板腺图像处理方法 |
CN111105410A (zh) * | 2019-12-27 | 2020-05-05 | 中国人民解放军陆军军医大学第二附属医院 | 基于骨髓活检图像的造血组织比例确定设备及方法 |
CN113080843A (zh) * | 2021-03-25 | 2021-07-09 | 中山大学中山眼科中心 | 一种基于睑板腺图像的腺体提取方法及量化分析方法 |
CN116128825A (zh) * | 2022-12-30 | 2023-05-16 | 杭州又拍云科技有限公司 | 一种基于深度学习的睑板腺形态分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266647A (zh) * | 2007-03-15 | 2008-09-17 | 爱信精机株式会社 | 眼睑检测装置、眼睑检测方法及其程序 |
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 |
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 |
US20180089834A1 (en) * | 2016-09-29 | 2018-03-29 | Magic Leap, Inc. | Neural network for eye image segmentation and image quality estimation |
CN108229301A (zh) * | 2017-11-03 | 2018-06-29 | 北京市商汤科技开发有限公司 | 眼睑线检测方法、装置和电子设备 |
-
2018
- 2018-07-24 CN CN201810818949.0A patent/CN109087310B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266647A (zh) * | 2007-03-15 | 2008-09-17 | 爱信精机株式会社 | 眼睑检测装置、眼睑检测方法及其程序 |
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 |
US20180089834A1 (en) * | 2016-09-29 | 2018-03-29 | Magic Leap, Inc. | Neural network for eye image segmentation and image quality estimation |
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 |
CN108229301A (zh) * | 2017-11-03 | 2018-06-29 | 北京市商汤科技开发有限公司 | 眼睑线检测方法、装置和电子设备 |
Non-Patent Citations (3)
Title |
---|
TURGAY CELIK ETAL: "Bioimage informatics approach to automated meibomian gland analysis in infrared images of meibography", 《JOURNAL OF OPTOMETRY》 * |
薛连剑: "睑板腺近红外图像处理算法的研究", 《万方中国学位论文全文数据库》 * |
邓金城等: "深度卷积神经网络在放射治疗计划图像分割中的应用", 《中国医学物理学杂志》 * |
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 |
CN111105410A (zh) * | 2019-12-27 | 2020-05-05 | 中国人民解放军陆军军医大学第二附属医院 | 基于骨髓活检图像的造血组织比例确定设备及方法 |
CN111008988A (zh) * | 2020-03-04 | 2020-04-14 | 执鼎医疗科技(杭州)有限公司 | 睑板腺图像处理方法 |
CN111008988B (zh) * | 2020-03-04 | 2020-07-03 | 执鼎医疗科技(杭州)有限公司 | 睑板腺图像处理方法 |
CN113080843A (zh) * | 2021-03-25 | 2021-07-09 | 中山大学中山眼科中心 | 一种基于睑板腺图像的腺体提取方法及量化分析方法 |
CN116128825A (zh) * | 2022-12-30 | 2023-05-16 | 杭州又拍云科技有限公司 | 一种基于深度学习的睑板腺形态分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109087310B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN109087310A (zh) | 睑板腺纹理区域的分割方法、系统、存储介质及智能终端 | |
CN108510482B (zh) | 一种基于阴道镜图像的宫颈癌检测装置 | |
CN105913432B (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
CN106920227A (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
CN110490892A (zh) | 一种基于USFaster R-CNN的甲状腺超声图像结节自动定位识别方法 | |
CN107564048B (zh) | 基于分叉点特征配准方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
CN107180421A (zh) | 一种眼底图像病变检测方法及装置 | |
CN109637660B (zh) | 一种基于深度卷积神经网络的舌诊分析方法及系统 | |
CN108665454A (zh) | 一种内镜图像智能分类及不规则病变区域检测方法 | |
CN112446862A (zh) | 一种基于人工智能的动态乳腺超声视频全病灶实时检测和分割装置、系统及图像处理方法 | |
CN106683080A (zh) | 一种视网膜眼底图像预处理方法 | |
CN109583364A (zh) | 图像识别方法及设备 | |
US20210407097A1 (en) | Method and device of extracting label in medical image | |
CN108510493A (zh) | 医学图像内目标对象的边界定位方法、存储介质及终端 | |
Kumari et al. | Blood vessel extraction using wiener filter and morphological operation | |
CN109583331A (zh) | 基于深度学习的人手腕脉口位置精准定位方法 | |
CN111178369A (zh) | 一种医学影像的识别方法及系统、电子设备、存储介质 | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
CN109003280B (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
Jian et al. | Diagnosis of left ventricular hypertrophy using convolutional neural network | |
Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
Dong et al. | Deep supervision adversarial learning network for retinal vessel segmentation |
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 |