CN109308701A - 深度级联模型的sd-oct图像ga病变分割方法 - Google Patents
深度级联模型的sd-oct图像ga病变分割方法 Download PDFInfo
- Publication number
- CN109308701A CN109308701A CN201811014419.7A CN201811014419A CN109308701A CN 109308701 A CN109308701 A CN 109308701A CN 201811014419 A CN201811014419 A CN 201811014419A CN 109308701 A CN109308701 A CN 109308701A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- lesion
- model
- depth
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000003902 lesion Effects 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 77
- 230000004256 retinal image Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 239000003550 marker Substances 0.000 claims description 5
- 231100000915 pathological change Toxicity 0.000 claims description 2
- 230000036285 pathological change Effects 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 206010064930 age-related macular degeneration Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 208000002780 macular degeneration Diseases 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012014 optical coherence tomography Methods 0.000 description 32
- 238000003384 imaging method Methods 0.000 description 8
- 210000001525 retina Anatomy 0.000 description 6
- 208000017442 Retinal disease Diseases 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 208000008069 Geographic Atrophy Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 206010038923 Retinopathy Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G06T5/70—
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种深度级联模型的SD‑OCT图像GA病变分割方法。该方法首先构造了三种不同层数的深度网络模型，其中第一层都为输入层，最后一层都为输出层，中间的隐藏层分别采用一层、三层、五层且神经元数量不同的稀疏自编码器，且编码和解码过程对称分布。训练分为两个阶段，自监督特征提取阶段和有监督基分类器训练阶段。在第一阶段训练完成后，取第一阶段编码过程加上soft‑max损失函数训练基础分类器，将具有h维特征的带标记正负样本输入到该深度网络模型中，通过训练输出层的soft‑max分类器获得最终的分割结果。最后，基于Adaboost级联策略融合上述模型训练过程来改进最终分割结果。该方法提高了GA病变的分割精度，对老年黄斑病变疾病的预防和诊断具有重要的意义。
Description
技术领域
本发明涉及病变分割方法，特别是一种深度级联模型的频域光学相干断层视网膜图像地图状萎缩病变分割方法。
背景技术
视网膜病变是影响视力下降的主要因素，其中老年黄斑性病变（Age-relatedMacular Degeneration, AMD）已经成为影响老年人视力水平的主要疾病之一。近几年，由于SD-OCT成像技术具有成像速度快、高分辨率等特点，被广泛应用于视网膜疾病诊断治疗，它能够有效地呈现视网膜组织层的灰度、结构等变化。临床实验结果表明，SD-OCT视网膜图像中能够显现多种由AMD引起的视网膜病变组织，如地图状萎缩、玻璃疣、视网膜脱离、水肿等。由于GA病变通常与视网膜色素上皮层（Retinal Pigment Epithelium, RPE）和光感受器的丧失以及视网膜变薄相关，早期的研究集中在RPE层的厚度测量以便作为GA病变的生物标志物。因此现有的GA病变分割方法主要依赖于RPE层的分割结果，但由于SD-OCT视网膜图像特有的层状结构，这导致传统方法很难得到理想分析结果。近几年主要出现了如下两类GA病变分割方法，第一类是基于层分割的GA病变分割方法：
（1）半监督的分割方法。该类方法首先对输入SD-OCT图像进行层分割，在此基础上针对GA病变特性得到二维投影图像，然后采用半监督或者交互式的分割方法得到GA分割结果。
（2）无监督的分割方法。该类方法在层分割基础上获得二维投影图像，利用GA眼底图像的最大灰度信号获得GA的候选区域，并以此作为算法的初始值，实现了GA的自动无监督分割。
但是因为SD-OCT图像特有的层状结构，且视网膜疾病通常会改变视网膜组织层结构，导致现有的基于层分割的方法很难获得理想的结果进而影响对病变区域的分割精度。
第二类是不依赖于层分割的GA病变分割方法：
（1）基于单一深度网络模型的分割方法。该方法采用深度网络模型来表达三维SD-OCT数据中的复杂结构，人为随机抽取相同数量的病变点与非病变点通过同一种深度网络模型训练多个基分类器，最终利用投票策略决定每个像素点是否为病变点从而实现分割。该方法突破了传统方法对于图像层分割依赖的瓶颈，提高了GA病变的分割精度。
但在样本选取上，人为随机选定固定数量的正负样本很有可能丢失数据原本的一些信息；在特征表达上，由于三维SD-OCT图像深度特征的复杂性，仅依赖于一种深度网络模型很难得到全面且多样的特征表达，这会导致一些重要特征的丢失；在模型级联策略上，该方法采用投票策略，每个基分类器的权重相同，不能根据每个分类器对最终结果的贡献程度分配权重，因此，该方法存在一定的局限性。
发明内容
本发明的目的在于提供一种不依赖于层分割的能进行特征多样性表达和样本、模型权重实时更新的SD-OCT视网膜图像的地图状萎缩病变分割方法。
实现本发明目的的技术解决方案为：一种深度级联模型的SD-OCT图像GA病变分割方法，包括以下步骤：
步骤1、采集SD-OCT视网膜图像；
步骤2、根据GA病变标准数据集，获取标记样本；
步骤3、使用小波去噪算法对三维SD-OCT视网膜图像进行去噪处理；
步骤4、将去噪数据划分为训练集和测试集，利用不同层数的自编码模型训练得到三种不同层数的深度网络模型；
步骤5、使用训练好的三种深度网络模型分别对测试数据进行分割，使用Adaboost级联决策策略得到最终分割结果。
与现有技术相比，本发明的显著优点在于：（1）突破传统方法对于SD-OCT图像层分割依赖的瓶颈；通过采用三种不同层数的自编码深度网络模型学习三维数据不同层次的特征，从而更全面的表达SD-OCT数据中复杂的数据结构；（2）利用Adaboost级联策略对样本和模型的权重都进行实时更新从而获得一个更好的基分类器级联预测精度，大幅提高了GA病变的分割精度。
附图说明
图1是SD-OCT图像的成像区域、与彩色眼底图像成像的比较、成像结果以及病变的表现形式。左上为人眼的解剖结构图，右上为彩色眼底图像，右下为黄斑区域的三维SD-OCT图像，左下给出了三幅B-scan图像。
图2是SD-OCT视网膜图像GA病变的结构多样性示例。
图3 是本发明的三种不同深度的基于sparse autocoder的深度网络模型训练过程。
图4是本发明的Adaboost级联决策策略示例。
图5是本发明三种SA得到的GA分割结果对比示例图。
图6是三种SA投票与本发明AdaBoostSA级联的分割结果对比示例图。
图7是本发明部分样例最终分割结果示例。
图8是本发明深度级联模型的SD-OCT图像GA病变分割方法的流程图。
具体实施方式
本发明的方法首次提出一种多样自编码特征提取方法与一种适应性级联策略，其中，特征提取方法克服了传统方法对于层状结构分割结果的依赖并且充分利用深度自编码获取数据的多样性描述特征以训练不同特点的分类模型，级联策略同时考虑多种模型对不同数据的预测能力和正负样本对最终分割结果的贡献更新权重，实现了GA病变分割的高精度定量分析。该方法首先构造了三种不同层数的深度网络模型，其中第一层都为输入层，最后一层都为输出层，中间的隐藏层分别采用一层、三层、五层且神经元数量不同的稀疏自编码器，且编码和解码过程对称分布。训练分为两个阶段，自监督特征提取阶段和有监督基分类器训练阶段。在第一阶段训练完成后，取第一阶段编码过程加上soft-max损失函数训练基础分类器，将具有h维特征的带标记正负样本输入到该深度网络模型中，通过训练输出层的soft-max分类器获得最终的分割结果。最后，基于Adaboost级联策略融合上述模型训练过程来改进最终分割结果。
下面结合附图对本发明作进一步描述。
结合图8，本发明深度级联模型的SD-OCT视网膜图像GA病变分割方法包括以下步骤：
步骤1、采集SD-OCT视网膜图像，采用现有的OCT成像设备对视网膜图像进行采集。SD-OCT图像的成像区域、与彩色眼底图像比较的比较、成像结果以及病变的表现形式如图1所示。
步骤2、根据GA病变的标准数据集，获取标记样本。
步骤3、使用小波去噪算法对原始三维数据进行去噪处理。
步骤4、将去噪数据划分为训练集和测试集，利用不同层数的自编码模型训练得到三种不同层数的深度网络模型。深度模型训练流程如图3所示。三种SA得到的GA分割结果对比图如图5所示。
4.1）假设有一个三维SD-OCT眼底病变图像长宽高为w*d*h。经过小波去噪处理后的训练数据为大小w*d*h的三维数据，将w*d的二维投影图像上的每一个像素点视为一个样本，则每一个样本具有h维的特征。那么下文所构建的深度网络模型，第一层的输入维度都为h。
4.2）自编码深度网络模型通常分为输入层（一层）、隐藏层（单/多层）、输出层（一层）。这里构建三种稀疏自编码（Sparse Autoencoder）深度网络模型SA1、SA2、SA3。它们的层数分别为三层、五层、七层，其中第一层都为输入层，最后一层都为输出层；中间的隐藏层分别为一层（h维）、三层（h,2/h,h维）、五层（h,2/h,4/h,2/h,h维）。该阶段是无监督训练阶段，且编码与解码网络对称分布（上文隐藏层的特征维数是对称分布的）；
4.3）在4.2）的阶段训练特征提取网络时，输出与输入一致（特征维数一致）；在4.3）阶段，取4.2）阶段网络模型编码部分（对称分布的前半部分称为编码；后半部分称为解码），在编码部分增加一个2维的全连接层与Softmax构建分类模型，将深度特征分为非GA病变和GA病变这两类。
步骤5、对训练好的三种自编码深度网络模型，利用AdaBoost级联策略对其进行级联。AdaBoost级联流程图如图4所示。
5.1）利用Adaboost策略将三种不同层数的基础分类模型（SA1+softmax、SA2+softmax、SA3+softmax）进行级联训练。
5.2）级联训练参照Adaboost级联方法，主要分为两步。第一步：训练过程中对样本权重进行实时更新，在SA1中分类错误的样本，将会在SA2的训练过程中得到更高的权重，即对错分类的样本提升权重，重点关注错分类样本。
5.3）第二步：依据SA1+softmax、SA2+softmax、SA3+softmax三种基础分类模型对预测结果的贡献程度进行权重分配，即依据损失函数对模型权重进行分配，损失越多的模型，权重越低。
步骤6、使用训练好的三种自编码深度网络模型分别对测试数据进行分割，使用AdaBoost级联策略得到最终的分割结果。Voting投票策略和AdaBoost级联策略结果对比图如图6所示。
下面结合实施例对本发明做进一步说明。
本发明以SD-OCT视网膜图像作为输入，通过深度网络模型表达三维输入，生成二维的地图状萎缩病变分割图像。
本发明实施示例的流程如图1所示。
（1）通过OCT成像设备采集到的三维SD-OCT视网膜图像大小为512×128×1024，对应视网膜6mm×6mm×2mm的区域，图1给出了SD-OCT图像的成像区域、与彩色眼底图像比较的比较、成像结果以及病变的表现形式。左上为人眼的解剖结构图，右上为彩色眼底图像，右下为黄斑区域的三维SD-OCT图像，左下给出了三幅B-scan图像。
（2）通过GA病变的标准数据集获取标记样本。
（3）使用小波去噪算法对三维SD-OCT图像进行去噪处理，克服噪声对于深度网络模型的影响。
（4）对于一个大小为512×128×1024的三维数据，将大小为512×128的二维投影图像上的每一个像素点视为一个样本，且每一个样本具有1024维特征，结合专家手工标记结果，将样本（共54幅）随机分为训练集（27幅）和测试集（27幅），并对此模型进行训练。
（5）选取相同的训练集和测试集，训练得到三种不同层数度的深度分类网络模型SA1+softmax、SA2+softmax、SA3+softmax。模型训练流程如图3所示。三种分类模型得到的GA分割结果对比图如图5所示。
（6）由于同类样本之间存在较大差异性、不同类样本之间存在一定的相似性，如图2所示。图中针对一副包含GA病变的SD-OCT数据进行了分析，选取了三帧B-scan数据，对于每一帧选取各选取了两个正负样本，从一维信号的分布不难看出SD-OCT数据本身存在较大的形态、结构变化，从而导致深度网络模型很难准确捕获三维结构信息。为此，本发明通过对三种不同深度的模型的分割结果进行AdaBoost级联选择，得到最终的分割结果。图4给出了本发明的投AdaBoost策策略示例。
（7）图7给出了本发明的部分分割结果，其中第一列去噪结果，第二列为本发明分割结果，第三列为标准分割结果。从图中可知：本发明可以获得与专家手工标记相近的分割结果。图6给出了两种无需层分割的GA分割结果的比较示例图，其中其中第一列为去噪后二维图像，第二列为无须层分隔的投票模型方法的分割结果，第三列为本发明分割结果，第四列为标准分割结果。从图6中可知：相比较于传统的基于层分割的方法而言，本发明在完全不依赖层分割结果的基础上，仍然能够得到更为精确的GA分割结果图像，该方法通过采用多个深度网络模型表达三维数据中的复杂数据结构，能够获得对原始数据的不同层级特征描述，增加了模型对于未知数据的适应性与泛化性能；同时利用AdaBoost级联策略实时对样本权重和模型权重进行更新，相对于权重相同的投票策略进一步提高了GA病变的分割精度，对老年黄斑病变疾病的预防和诊断具有重要的意义。
Claims (3)
1.一种深度级联模型的SD-OCT图像GA病变分割方法，其特征在于包括以下步骤：
步骤1、采集SD-OCT视网膜图像；
步骤2、根据GA病变标准数据集，获取标记样本；
步骤3、使用小波去噪算法对三维SD-OCT视网膜图像进行去噪处理；
步骤4、将去噪数据划分为训练集和测试集，利用不同层数的自编码模型训练得到三种不同层数的深度网络模型；
步骤5、使用训练好的三种深度网络模型分别对测试数据进行分割，使用Adaboost级联决策策略得到最终分割结果。
2.根据权利要求1所述的深度级联模型的SD-OCT图像GA病变分割方法，其特征在于：步骤4所述训练得到三种不同层数的练深度网络模型的具体方法为：
4.1）设有一个三维SD-OCT眼底病变图像长宽高为w*d*h，经过小波去噪处理后的训练数据为大小w*d*h的三维数据，将w*d的二维投影图像上的每一个像素点视为一个样本，则每一个样本具有h维的特征，则所构建的深度网络模型，第一层的输入维度都为h；
4.2）自编码深度网络模型分为输入层（一层）、隐藏层（单/多层）、输出层（一层），构建三种稀疏自编码深度网络模型SA1、SA2、SA3，它们的层数分别为三层、五层、七层，其中第一层都为输入层，最后一层都为输出层；中间的隐藏层分别为一层（h维）、三层（h,2/h,h维）、五层（h,2/h,4/h,2/h,h维）；该阶段是无监督训练阶段，且编码与解码网络对称分布，隐藏层的特征维数对称分布；
4.3）在4.2）的阶段训练特征提取网络时，输出与输入一致，即特征维数一致；在4.3）阶段，取4.2）阶段网络模型编码部分，对称分布的前半部分称为编码；后半部分称为解码，在编码部分增加一个2维的全连接层与Softmax构建分类模型，将深度特征分为非GA病变和GA病变这两类。
3.根据权利要求1所述的深度级联模型的SD-OCT图像GA病变分割方法，其特征在于：步骤5所述使用Adaboost级联决策策略得到最终的分割结果的具体方法为：
5.1）利用Adaboost策略将三种不同层数的基础分类模型（SA1+softmax、SA2+softmax、SA3+softmax）进行级联训练；
5.2）级联训练参照Adaboost级联方法，分为两步；第一步：训练过程中对样本权重进行实时更新，在SA1中分类错误的样本，将会在SA2的训练过程中得到更高的权重，即对错分类的样本提升权重；
5.3）第二步：依据SA1+softmax、SA2+softmax、SA3+softmax三种基础分类模型对预测结果的贡献程度进行权重分配，即依据损失函数对模型权重进行分配，损失越多的模型，权重越低；
5.4）最终对预测图像每个像素输出属于GA病变的概率，当概率值大于70%时即认为该像素点为GA病变区域，从而得到最终的分割结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811014419.7A CN109308701A (zh) | 2018-08-31 | 2018-08-31 | 深度级联模型的sd-oct图像ga病变分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811014419.7A CN109308701A (zh) | 2018-08-31 | 2018-08-31 | 深度级联模型的sd-oct图像ga病变分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109308701A true CN109308701A (zh) | 2019-02-05 |
Family
ID=65224348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811014419.7A Pending CN109308701A (zh) | 2018-08-31 | 2018-08-31 | 深度级联模型的sd-oct图像ga病变分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109308701A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
| WO2020248389A1 (zh) * | 2019-06-13 | 2020-12-17 | 平安科技（深圳）有限公司 | 区域识别方法、装置、计算设备和计算机可读存储介质 |
| CN113223017A (zh) * | 2021-05-18 | 2021-08-06 | 北京达佳互联信息技术有限公司 | 目标分割模型的训练方法、目标分割方法及设备 |
| CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
| CN113724206A (zh) * | 2021-08-12 | 2021-11-30 | 武汉大学 | 一种基于自监督学习的眼底图像血管分割方法及系统 |
| CN113989215A (zh) * | 2021-10-25 | 2022-01-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
| CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
| US20180161407A1 (en) * | 2016-12-08 | 2018-06-14 | Gary E. Borodic | Novel Method of Treating Macular Degeneration using Botulinum Toxin-Based Pharmaceuticals |
| CN108305241A (zh) * | 2017-09-06 | 2018-07-20 | 南京理工大学 | 基于深度投票模型的sd-oct图像ga病变分割方法 |
-
2018
- 2018-08-31 CN CN201811014419.7A patent/CN109308701A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446895A (zh) * | 2016-10-28 | 2017-02-22 | 安徽四创电子股份有限公司 | 一种基于深度卷积神经网络的车牌识别方法 |
| US20180161407A1 (en) * | 2016-12-08 | 2018-06-14 | Gary E. Borodic | Novel Method of Treating Macular Degeneration using Botulinum Toxin-Based Pharmaceuticals |
| CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
| CN108305241A (zh) * | 2017-09-06 | 2018-07-20 | 南京理工大学 | 基于深度投票模型的sd-oct图像ga病变分割方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020248389A1 (zh) * | 2019-06-13 | 2020-12-17 | 平安科技（深圳）有限公司 | 区域识别方法、装置、计算设备和计算机可读存储介质 |
| CN110349162A (zh) * | 2019-07-17 | 2019-10-18 | 苏州大学 | 一种视网膜黄斑水肿多病变图像分割方法 |
| CN113223017A (zh) * | 2021-05-18 | 2021-08-06 | 北京达佳互联信息技术有限公司 | 目标分割模型的训练方法、目标分割方法及设备 |
| CN113538260A (zh) * | 2021-06-21 | 2021-10-22 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
| CN113538260B (zh) * | 2021-06-21 | 2022-04-12 | 复旦大学 | 自监督和有监督联合训练的ldct图像去噪与分类方法 |
| CN113724206A (zh) * | 2021-08-12 | 2021-11-30 | 武汉大学 | 一种基于自监督学习的眼底图像血管分割方法及系统 |
| CN113724206B (zh) * | 2021-08-12 | 2023-08-18 | 武汉大学 | 一种基于自监督学习的眼底图像血管分割方法及系统 |
| CN113989215A (zh) * | 2021-10-25 | 2022-01-28 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| CN113989215B (zh) * | 2021-10-25 | 2022-12-06 | 北京百度网讯科技有限公司 | 图像处理方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109308701A (zh) | 深度级联模型的sd-oct图像ga病变分割方法 | |
| Kumar et al. | An automated early diabetic retinopathy detection through improved blood vessel and optic disc segmentation | |
| 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 | |
| CN107437092B (zh) | 基于三维卷积神经网络的视网膜oct图像的分类方法 | |
| CN108876775B (zh) | 糖尿病性视网膜病变的快速检测方法 | |
| CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
| CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
| CN109376636A (zh) | 基于胶囊网络的眼底视网膜图像分类方法 | |
| CN108305241B (zh) | 基于深度投票模型的sd-oct图像ga病变分割方法 | |
| CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
| Vinayaki et al. | Multithreshold image segmentation technique using remora optimization algorithm for diabetic retinopathy detection from fundus images | |
| CN102930249A (zh) | 基于颜色和模型的农田害虫识别和计数方法 | |
| 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 | |
| CN102567734B (zh) | 基于比值的视网膜细小血管分割方法 | |
| CN106204600A (zh) | 基于多序列mr图像关联信息的脑肿瘤图像分割方法 | |
| CN110265119A (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
| CN107871316A (zh) | 一种基于深度神经网络的x光片手骨兴趣区域自动提取方法 | |
| CN106373136A (zh) | 一种基于颜色和特征的害虫识别计数方法 | |
| CN110110776A (zh) | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 | |
| CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
| CN113947807B (zh) | 一种基于无监督的眼底影像异常识别方法及系统 | |
| CN108427963A (zh) | 一种基于深度学习的黑色素瘤皮肤病的分类识别方法 | |
| Tasnim et al. | Comparisonal study of deep learning approaches on retinal OCT image | |
| CN110781953A (zh) | 基于多尺度金字塔卷积神经网络的肺癌病理切片分类方法 | |
| CN109711378A (zh) | 人脸表情自动识别方法 |
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: 20190205 |