CN109199322A - 一种黄斑检测方法及一种存储设备 - Google Patents
一种黄斑检测方法及一种存储设备 Download PDFInfo
- Publication number
- CN109199322A CN109199322A CN201811013838.9A CN201811013838A CN109199322A CN 109199322 A CN109199322 A CN 109199322A CN 201811013838 A CN201811013838 A CN 201811013838A CN 109199322 A CN109199322 A CN 109199322A
- Authority
- CN
- China
- Prior art keywords
- optic disk
- macula lutea
- region
- evaluation
- circle
- 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
-
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- 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
-
- 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
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及图像分析领域,特别涉及一种黄斑检测方法与一种存储设备。一种黄斑检测方法,包括步骤:读取视盘定位结果;读取血管分割结果;以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;根据黄斑的外观特性构造评价公式;在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。整个方法过程并不单纯依赖于黄斑的外观特点,无需对整副图像进行扫描,检测速度大大加快,且综合视盘定位与血管分割的方法,不完全依赖于视盘定位的准确度,也大大确保了视盘检测的准确性与可靠性。
Description
技术领域
本发明涉及图像分析领域,特别涉及一种黄斑检测方法与一种存储设备。
背景技术
彩视网膜眼底图像的自动分析已经在各种和眼科相关的系统性疾病如糖尿病、高血压、肾脏病和神经科疾病的辅助诊断中得到了广泛应用。在正常的彩色眼底图像中,黄斑、中央凹、视盘和血管网是眼底四个可观测到的主要特征,其中黄斑是视网膜眼底图像上需要识别的最重要的生理结构之一,它的定位对于眼底病变诊断具有很重要的意义。黄斑与视盘有着相队教委固定的距离,黄斑中心凹距离视盘颞侧边缘大约为3mm,且不包含任何血管,在彩色眼底图像中,黄斑通常为最暗色的近似圆形的区域。
相对于视盘、血管和病灶等眼底图像中重要内容识别的研究,目前,黄斑检测的研究很少。大多数现有的黄斑检测方法均利用其外观特点,找寻眼底图像中最暗的区域,如聚类、滤波等方法。这一类方法需要对整幅图像进行扫描,速度较慢,且当图像中黄斑区域存在病变时识别的准确度受到极大影响。为提高效率与准确度,近几年,一些年学者在上述检测过程中,将已知的视盘位置信息可以作为先验知识,来辅助黄斑区域的选择,提高效率。但此类方法的准确度主要依赖于视盘定位的准确度。
发明内容
为此,需要提供一种黄斑检测方法,用以解决现有技术黄斑检测速度慢、效率低及准确度低的问题。具体的技术方案如下:
一种黄斑检测方法,包括步骤:读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径;读取血管分割结果;以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;根据黄斑的外观特性构造评价公式;在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。
进一步的,所述“根据黄斑的外观特性构造评价公式”,还包括步骤:以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。
进一步的,通过所有窗口的得分最大值进行归一化处理,获得fvessel;通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
进一步的,所述“在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位”,还包括步骤:计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
进一步的,以视盘直径/4*视盘直径/4大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
为解决上述问题,还提供了一种存储设备,具体技术方案如下所示:
一种存储设备,其中存储有指令集,所述指令集用于执行:读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径;读取血管分割结果;以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;根据黄斑的外观特性构造评价公式;在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。
进一步的,所述指令集还用于执行:所述“根据黄斑的外观特性构造评价公式”,还包括步骤:以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。
进一步的,所述指令集还用于执行:通过所有窗口的得分最大值进行归一化处理,获得fvessel;通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
进一步的,所述指令集还用于执行:所述“在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位”,还包括步骤:计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
进一步的,所述指令集还用于执行:以视盘直径/4*视盘直径/4大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
本发明的有益效果是:通过利用黄斑与视盘的位置关系和黄斑不包含任何血管的特性构造出黄斑的候选区域,再利用黄斑的外观特性构造评价公式,在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。整个方法过程可有效地利用已有的视盘定位、血管分割方法的结论,来辅助黄斑的检测,提高黄斑检测的效率,整个方法过程并不单纯依赖于黄斑的外观特点,无需对整副图像进行扫描,检测速度大大加快,且综合视盘定位与血管分割的方法,不完全依赖于视盘定位的准确度,也大大确保了视盘检测的准确性与可靠性。
附图说明
图1为具体实施方式所述一种黄斑检测方法的流程图;
图2为具体实施方式所述一种存储设备的模块图。
附图标记说明:
200、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,首先对本实施方式中会涉及的一些名词做以下解释说明:
视盘:全称视神经盘,也叫视神经乳头,视网膜由黄斑向鼻侧约3mm处有一直径约1.5mm,境界清楚的淡红色圆盘状结构,称为视神经盘,简称视盘。
黄斑:在眼底视神经盘的颞侧0.35cm处并稍下方,处于人眼的光学中心区,是视力轴线的投影点。
在本实施方式中,一种黄斑检测方法可应用在一种存储设备上,在本实施方式中,一种存储设备可以是智能手机、平板电脑、台式PC、笔记本电脑、PDA等等。
在本实施方式中,一种黄斑检测方法的具体实施方式如下:
步骤S101:读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径。可采用如下方式:针对待检查的眼底图像,利用现有技术对所述眼底图像进行视盘定位,获取到视盘中心OD_C坐标,视盘直径ODD等参数。读取完视盘定位结果后,执行步骤S102:读取血管分割结果。可采用如下方式:利用现有技术对待检查的眼底图像进行血管分割,如:阈值分割法和基于深度学习的血管分割法。
需要说明的是,以上步骤S101和步骤S102并无先后顺序关系,可先执行步骤S101,再执行步骤S102,亦可以先执行步骤S102,再执行步骤S101,亦可以同时执行。在本实施方式中,优选地利用OSTU方法实现血管的快速分割,并在血管分割的基础上进一步地通过抛物线拟合的方法完成视盘的定位。
步骤S103:以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形。步骤S104:以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形。步骤S105:设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域。可采用如下方式:由于黄斑中心凹与视盘中心的距离一般在2倍到3倍的ODD大小,故,以OD_C为圆心,两倍视盘直径大小为半径构造第一圆形,倍视盘直径大小为半径构造第二圆形,两圆形形成的环形区域定义为黄斑的候选区域。
步骤S106:根据黄斑的外观特性构造评价公式。可采用如下方式:所述“根据黄斑的外观特性构造评价公式”,还包括步骤:
以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;
并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;
所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。在本实施方式中,眼底图像中最暗,即对应公式中的亮度得分;不包含血管,对应公式中血管像素点个数得分。
在本实施方式中,以视盘直径/4*视盘直径/4(即:(ODD/4)*(ODD/4))大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
在本实施方式中,通过所有窗口的得分最大值进行归一化处理,获得fvessel;
通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
步骤S107:在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。可采用如下方式:计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
通过利用黄斑与视盘的位置关系和黄斑不包含任何血管的特性构造出黄斑的候选区域,再利用黄斑的外观特性构造评价公式,在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。整个方法过程可有效地利用已有的视盘定位、血管分割方法的结论,来辅助黄斑的检测,提高黄斑检测的效率,整个方法过程并不单纯依赖于黄斑的外观特点,无需对整副图像进行扫描,检测速度大大加快,且综合视盘定位与血管分割的方法,不完全依赖于视盘定位的准确度,也大大确保了视盘检测的准确性与可靠性。
请参阅图2,一种存储设备200的具体实施方式如下:
一种存储设备200,其中存储有指令集,所述指令集用于执行:读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径;读取血管分割结果;以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;根据黄斑的外观特性构造评价公式;在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。可采用如下方式:针对待检查的眼底图像,利用现有技术对所述眼底图像进行视盘定位,获取到视盘中心OD_C坐标,视盘直径ODD等参数。由于黄斑中心凹与视盘中心的距离一般在2倍到3倍的ODD大小,故,以OD_C为圆心,两倍视盘直径大小为半径构造第一圆形,倍视盘直径大小为半径构造第二圆形,两圆形形成的环形区域定义为黄斑的候选区域。
进一步的,所述指令集还用于执行:所述“根据黄斑的外观特性构造评价公式”,还包括步骤:以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。在本实施方式中,眼底图像中最暗,即对应公式中的亮度得分;不包含血管,对应公式中血管像素点个数得分。
进一步的,所述指令集还用于执行:通过所有窗口的得分最大值进行归一化处理,获得fvessel;通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
进一步的,所述指令集还用于执行:所述“在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位”,还包括步骤:计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
进一步的,所述指令集还用于执行:以视盘直径/4*视盘直径/4大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
通过存储设备200上的指令集执行步骤:利用黄斑与视盘的位置关系和黄斑不包含任何血管的特性构造出黄斑的候选区域,再利用黄斑的外观特性构造评价公式,在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。整个过程可有效地利用已有的视盘定位、血管分割方法的结论,来辅助黄斑的检测,提高黄斑检测的效率,整个过程并不单纯依赖于黄斑的外观特点,无需对整副图像进行扫描,检测速度大大加快,且综合视盘定位与血管分割的方法,不完全依赖于视盘定位的准确度,也大大确保了视盘检测的准确性与可靠性。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种黄斑检测方法,其特征在于,包括步骤:
读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径;
读取血管分割结果;
以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;
以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;
设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;
根据黄斑的外观特性构造评价公式;
在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。
2.根据权利要求1所述的一种黄斑检测方法,其特征在于,
所述“根据黄斑的外观特性构造评价公式”,还包括步骤:
以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;
并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;
所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。
3.根据权利要求2所述的一种黄斑检测方法,其特征在于,
通过所有窗口的得分最大值进行归一化处理,获得fvessel;
通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
4.根据权利要求2所述的一种黄斑检测方法,其特征在于,
所述“在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位”,还包括步骤:
计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;
以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
5.根据权利要求2所述的一种黄斑检测方法,其特征在于,
以视盘直径/4*视盘直径/4大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
6.一种存储设备,其中存储有指令集,其特征在于,所述指令集用于执行:
读取视盘定位结果,所述视盘定位结果包括:视盘中心点坐标与视盘直径;
读取血管分割结果;
以所述视盘中心点为圆心,两倍视盘直径大小为半径构造第一圆形;
以所述视盘中心点为圆心,三倍视盘直径大小为半径构造第二圆形;
设定所述第一圆形与所述第二圆形的环形区域为黄斑的候选区域;
根据黄斑的外观特性构造评价公式;
在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位。
7.根据权利要求6所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“根据黄斑的外观特性构造评价公式”,还包括步骤:
以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描;
并根据黄斑区域为眼底图像中最暗的区域,及黄斑中心凹不包含任何血管,构造出评价公式;
所述评价公式如下所示:
其中,fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值,fintensity为任意一窗口内的亮度得分。
8.根据权利要求7所述的一种存储设备,其特征在于,所述指令集还用于执行:
通过所有窗口的得分最大值进行归一化处理,获得fvessel;
通过计算出窗口内所有像素点的亮度平均值,并利用255进行归一化处理,获得fintensity。
9.根据权利要求7所述的一种存储设备,其特征在于,所述指令集还用于执行:
所述“在所述候选区域内计算评价公式的评价值,根据所述评价值完成黄斑区域定位”,还包括步骤:
计算各滑动窗口的评价值,选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹;
以所述黄斑中心凹为圆心,视盘直径大小为直径,划定圆形,所述圆形包围的区域设定为黄斑区域。
10.根据权利要求7所述的一种存储设备,其特征在于,所述指令集还用于执行:
以视盘直径/4*视盘直径/4大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013838.9A CN109199322B (zh) | 2018-08-31 | 2018-08-31 | 一种黄斑检测方法及一种存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811013838.9A CN109199322B (zh) | 2018-08-31 | 2018-08-31 | 一种黄斑检测方法及一种存储设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109199322A true CN109199322A (zh) | 2019-01-15 |
CN109199322B CN109199322B (zh) | 2020-12-04 |
Family
ID=64985441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811013838.9A Active CN109199322B (zh) | 2018-08-31 | 2018-08-31 | 一种黄斑检测方法及一种存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109199322B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN109886946A (zh) * | 2019-02-18 | 2019-06-14 | 广州视源电子科技股份有限公司 | 基于深度学习的早期老年性黄斑病变弱监督分类方法 |
CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 用于处理眼底图像的方法和装置 |
CN110335254A (zh) * | 2019-06-10 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像区域化深度学习方法、装置和设备及存储介质 |
CN110448267A (zh) * | 2019-09-06 | 2019-11-15 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析系统及其方法 |
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN112017187A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
CN112150463A (zh) * | 2020-10-23 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于确定黄斑中心凹位置的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007181537A (ja) * | 2006-01-05 | 2007-07-19 | Nidek Co Ltd | 視野計 |
CN105411525A (zh) * | 2015-11-10 | 2016-03-23 | 广州河谷互动医疗科技有限公司 | 一种眼底照片图像智能获取识别系统 |
CN105894498A (zh) * | 2016-03-25 | 2016-08-24 | 湖南省科学技术研究开发院 | 一种视网膜光学相干图像分割方法 |
CN107437252A (zh) * | 2017-08-04 | 2017-12-05 | 山东师范大学 | 用于黄斑病变区域分割的分类模型构建方法和设备 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
-
2018
- 2018-08-31 CN CN201811013838.9A patent/CN109199322B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007181537A (ja) * | 2006-01-05 | 2007-07-19 | Nidek Co Ltd | 視野計 |
CN105411525A (zh) * | 2015-11-10 | 2016-03-23 | 广州河谷互动医疗科技有限公司 | 一种眼底照片图像智能获取识别系统 |
CN105894498A (zh) * | 2016-03-25 | 2016-08-24 | 湖南省科学技术研究开发院 | 一种视网膜光学相干图像分割方法 |
CN107437252A (zh) * | 2017-08-04 | 2017-12-05 | 山东师范大学 | 用于黄斑病变区域分割的分类模型构建方法和设备 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
Non-Patent Citations (2)
Title |
---|
杨波等: "眼底图像中自动定位黄斑中心凹的快速定位方法研究", 《中国医学装备》 * |
聂爱光: "《现代黄斑疾病诊断治疗学》", 28 February 1997 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN111507932B (zh) * | 2019-01-31 | 2023-05-09 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
CN109662686B (zh) * | 2019-02-01 | 2022-02-25 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
CN109886946A (zh) * | 2019-02-18 | 2019-06-14 | 广州视源电子科技股份有限公司 | 基于深度学习的早期老年性黄斑病变弱监督分类方法 |
CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 用于处理眼底图像的方法和装置 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN110335254B (zh) * | 2019-06-10 | 2021-07-27 | 北京至真互联网技术有限公司 | 眼底图像区域化深度学习方法、装置和设备及存储介质 |
CN110335254A (zh) * | 2019-06-10 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像区域化深度学习方法、装置和设备及存储介质 |
CN110448267A (zh) * | 2019-09-06 | 2019-11-15 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析系统及其方法 |
CN110448267B (zh) * | 2019-09-06 | 2021-05-25 | 重庆贝奥新视野医疗设备有限公司 | 一种多模眼底动态成像分析系统及其方法 |
CN112150463A (zh) * | 2020-10-23 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于确定黄斑中心凹位置的方法及装置 |
CN112017187A (zh) * | 2020-11-02 | 2020-12-01 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109199322B (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109199322A (zh) | 一种黄斑检测方法及一种存储设备 | |
Chu et al. | Quantitative assessment of the retinal microvasculature using optical coherence tomography angiography | |
Dufour et al. | Graph-based multi-surface segmentation of OCT data using trained hard and soft constraints | |
Ramani et al. | Improved image processing techniques for optic disc segmentation in retinal fundus images | |
Zheng et al. | Automated segmentation of foveal avascular zone in fundus fluorescein angiography | |
Li et al. | Automatic cataract diagnosis by image-based interpretability | |
Kochner et al. | Course tracking and contour extraction of retinal vessels from color fundus photographs: Most efficient use of steerable filters for model-based image analysis | |
CN109784337A (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
Fritzsche et al. | Automated model based segmentation, tracing and analysis of retinal vasculature from digital fundus images | |
CN109166117A (zh) | 一种眼底图像自动分析比对方法及一种存储设备 | |
Huang et al. | Automated circumferential construction of first-order aqueous humor outflow pathways using spectral-domain optical coherence tomography | |
Naqvi et al. | Automatic optic disk detection and segmentation by variational active contour estimation in retinal fundus images | |
US20210407097A1 (en) | Method and device of extracting label in medical image | |
Suero et al. | Locating the Optic Disc in Retinal Images Using Morphological Techniques. | |
Noronha et al. | Enhancement of retinal fundus image to highlight the features for detection of abnormal eyes | |
CN112950737A (zh) | 基于深度学习的眼底荧光造影图像生成方法 | |
Agarwal et al. | A new technique for estimating the foveal avascular zone dimensions | |
Zhao et al. | ECLNet: Center localization of eye structures based on Adaptive Gaussian Ellipse Heatmap | |
CN113920077A (zh) | 一种训练眼底图像分割模型的方法以及动静脉分割方法 | |
CN108665474A (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Lamba et al. | Machine learning based segmentation and classification algorithms for glaucoma detection | |
Agarwal et al. | Automatic imaging method for optic disc segmentation using morphological techniques and active contour fitting | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
Zhou et al. | Computer aided diagnosis for diabetic retinopathy based on fundus image | |
Karnowski et al. | Retina lesion and microaneurysm segmentation using morphological reconstruction methods with ground-truth data |
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 |