CN109662686A - 一种眼底黄斑定位方法、装置、系统及存储介质 - Google Patents

一种眼底黄斑定位方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN109662686A
CN109662686A CN201910105756.5A CN201910105756A CN109662686A CN 109662686 A CN109662686 A CN 109662686A CN 201910105756 A CN201910105756 A CN 201910105756A CN 109662686 A CN109662686 A CN 109662686A
Authority
CN
China
Prior art keywords
region
candidate
optic disk
macula lutea
macular
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
Application number
CN201910105756.5A
Other languages
English (en)
Other versions
CN109662686B (zh
Inventor
王家霈
丁大勇
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.)
Beijing Zhiyuan Huitu Technology Co Ltd
Original Assignee
Beijing Zhiyuan Huitu Technology Co Ltd
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 Beijing Zhiyuan Huitu Technology Co Ltd filed Critical Beijing Zhiyuan Huitu Technology Co Ltd
Priority to CN201910105756.5A priority Critical patent/CN109662686B/zh
Publication of CN109662686A publication Critical patent/CN109662686A/zh
Application granted granted Critical
Publication of CN109662686B publication Critical patent/CN109662686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B3/12—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
    • 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
    • A61B3/0016—Operational features thereof
    • A61B3/0033—Operational features thereof characterised by user input arrangements
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明实施例涉及图像识别技术领域，公开了一种眼底黄斑定位方法、装置、系统及存储介质，该方法包括：确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；基于视盘区域，确定黄斑待定范围；从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域；确定位于黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。通过图像识别模型的方式，耗时短，适用性好，工作效率高；通过图像识别模型得到视盘区域，进而基于视盘区域，确定黄斑定位区域的准确率也大大提升。

Description

一种眼底黄斑定位方法、装置、系统及存储介质
技术领域
本发明实施例涉及深度学习技术领域，具体涉及一种眼底黄斑定位方法、装置、系统及存储介质。
背景技术
黄斑是眼底重要的生理结构，是人眼的光学中心区。在眼底图像中，黄斑中心定位对糖尿病性视网膜病变的检测具有重要意义。病变区域与黄斑中心距离，决定了对人眼视力的影响程度和病变的严重程度。因此，对于黄斑定位具有重要意义。传统技术中，一般采用图像处理方法对黄斑进行定位，通过图像中的亮度和形状等特征或者生理结构位置关系来定位黄斑。而这些特征将全部由人工选取。黄斑的定位需要依赖视盘定位，一旦视盘定位错误，那么黄斑定位必然也会发生错误。
在传统图像处理方法中，人工选取图像的特征，针对不同数据集，人工调整参数，其适用性较差。而且工作量大，定位耗时长，效率低，而且通过人工定位黄斑的准确率也偏低。那么，如何才能提升黄斑定位准确率的同时，提升工作效率以及可行性则成为亟待解决的技术问题。
发明内容
为此，本发明实施例提供一种眼底黄斑定位方法、装置、系统及存储介质，以解决传统黄斑定位方法，定位准确率低、工作效率低，以及适用性低的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
本发明实施例提供了一种眼底黄斑定位方法，该方法包括：
确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；
基于视盘区域，确定黄斑待定范围；
从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域；
确定位于黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
本发明实施例的特征还在于，确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，具体包括：
将眼底图像输入到第一图像识别模型，确定视盘区域；
将眼底图像输入到第二图像识别模型，确定至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
本发明实施例的特征还在于，确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，具体包括：
将眼底图像输入到第三图像识别模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
本发明实施例的特征还在于，基于视盘区域，确定黄斑待定范围，包括：
确定视盘区域的中心点；
从中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，第一参考点至第二参考点间的线段为第一边长；
从第一参考点向下延伸第三距离确定第二边长，从第一参考点向上延伸第四距离确定第三边长；
基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，第一矩形区域和矩形区域的总和为黄斑待定范围。
本发明实施例的特征还在于，所述图像识别模型为Viola-Jones模型、SIFT模型、LBP模型、R-CNN系列模型、YOLO系列模型、SSD模型中的一种或多种的组合。
本发明实施例提供了一种眼底黄斑定位装置，该装置包括：
识别单元，用于确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；
黄斑待定范围确定单元，用于基于视盘区域，确定黄斑待定范围；
筛选单元，用于从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域；
处理单元，用于确定位于黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
本发明实施例的特征还在于，识别单元具体用于：
将眼底图像输入到第一图像识别模型，确定视盘区域；
将眼底图像输入到第二图像识别模型，确定至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
本发明实施例的特征还在于，识别单元具体用于：
将眼底图像输入到第三图像识别模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
本发明实施例的特征还在于，黄斑待定范围确定单元具体用于：
确定视盘区域的中心点；
从中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，第一参考点至第二参考点间的线段为第一边长；
从第一参考点向下延伸第三距离确定第二边长，从第一参考点向上延伸第四距离确定第三边长；
基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，第一矩形区域和第二矩形区域的总和为黄斑待定范围。
本发明实施例的特征还在于，所述图像识别模型为Viola-Jones模型、SIFT模型、LBP模型、R-CNN系列模型、YOLO系列模型、SSD模型中的一种或多种的组合。
本发明实施例提供了一种眼底黄斑定位系统，该系统包括：处理器和存储器；
存储器用于存储一个或多个程序指令；
一个或多个程序指令被处理器运行，用以执行如上一种眼底黄斑定位方法中的任一方法步骤。
在本发明的实施例提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被一种眼底黄斑定位系统执行如上一种眼底黄斑定位方法中的任一方法步骤。
本发明实施例具有如下优点：获取眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，然后基于视盘区域，确定黄斑待定范围。从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域，并确定一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。通过该种方式，耗时短，适用性好，工作效率高；而且，通过图像识别模型得到视盘区域，基于视盘区域来确定黄斑定位区域的准确率也大大提升。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的一种眼底黄斑定位方法流程示意图；
图2为本发明提供的一张眼底图像示意图；
图3为本发明实施例2提供的一种眼底黄斑定位装置结构示意图；
图4为本发明实施例3提供的一种眼底黄斑定位系统结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例1提供了一种眼底黄斑定位方法，具体如图1所示，该方法包括：
步骤110，确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
在一些实施例中，所述视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度可以采用图像识别模型确定。所述图像识别模型可以是Viola-Jones模型、SIFT模型、LBP模型、R-CNN系列模型、YOLO系列模型、SSD模型中的一种或多种的组合。
具体的，上述图像识别模型中包括图像识别算法和机器学习模型。
在一些实施例中，可以采用两个图像识别模型分别识别视盘区域、至少一个黄斑区域及每个黄斑区域的置信度。例如，将所述眼底图像输入到第一图像识别模型，确定所述视盘区域；将所述眼底图像输入到第二图像识别模型，确定至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。在一些实施例中，可以采用一个图像识别模型识别出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。例如，将所述眼底图像输入到第三图像识别模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
具体的，采用神经网络模型时，所述神经网络模型为利用一定数量的样本眼底图像进行训练而得到的，其训练过程中，将由工作人员事先在样本眼底图像中标记黄斑定位区域和视盘区域。然后将事先标记好黄斑定位区域和/或视盘区域的样本眼底图像输入至神经网络模型中，供其进行训练，从而获取最优神经网络模型。其具体过程为常规技术，这里不做过多说明。
再将待预测的眼底图像输入到最优神经网络模型中，输出视盘区域、至少一个候选黄斑区域，以及每一个候选黄斑区域的置信度。在一些实施例中，所述置信度为对应某一预定置信区间的概率。例如，某一候选黄斑区域的置信度表示该候选黄斑区域为黄斑定位区域的概率值。值得说明的是，所述概率值仅为置信度的一种举例，所述置信度还可以是表征候选黄斑区域与黄斑定位区域对应关系的概率值、分值的任意定义。
可选的，在一种可选的实施方式中，如果工作人员在最初利用样本眼底图像对神经网络模型进行训练时，是分别标记视盘区域和黄斑定位区域的情况下，则会获取两个最优训练模型。
也即是，将预设数量包含已经标记出视盘区域的样本眼底图像输入至第一个神经网络模型中，利用第一神经网络模型对视盘区域进行训练，经过工作人员不断调整模型参数，最终得到第一最优训练模型，为了便于区分，本实施中将其命名为第一神经网络模型。类似的道理，将预设数量包含已经标记出黄斑定位区域的样本眼底图像输入至第二个神经网络模型中，利用该神经网络模型对候选视盘区域进行训练，经过工作人员不断调整模型参数，最终得到第二最优训练模型，本实施中将其命名为第二神经网络模型。
然后将眼底图像输入至第一神经网络模型，获取视盘区域。将眼底图像输入至第二神经网络模型，获取至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
在另一种可选的实施方式中，也可以仅利用对视盘区域和黄斑定位区域同时标记了的一定数量的样本眼底图像对一个神经网络模型进行训练，从而得到最优训练模型，为了和上文中的最优训练模型进行区分，将这种方式获取的最优训练模型称之为第三神经网络模型。然后，将眼底图像输入到第三神经网络模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
需要说明的是，上文中出现的“第一”、“第二”和“第三”并非逻辑意义上的数字顺序，仅仅是为了区分不同的最优训练模型，或者说是区分不同的神经网络模型而已，并没有什么实际的逻辑意义。
可选的，上文中的第一神经网络模型至第三神经网络模型均可以是Faster R-CNN模型。在MESSIDOR，DRIVE等公开数据集上测试也有100％准确率，所以视盘定位的结果直接取Faster R-CNN输出概率最高的预测区域即可。
而黄斑的定位准确率受图像质量，病变程度的影响较大，图像识别模型输出置信度最高的并不一定是正确的黄斑区域。因此黄斑的定位可以以视盘区域为参考，对图像识别模型预测出的候选黄斑区域进行筛选，得到黄斑定位区域。即执行下文中的步骤120～140，获取黄斑定位区域。
步骤120，基于视盘区域，确定黄斑待定范围；
具体的，基于视盘区域，确定黄斑待定范围，可以采用如下方式：
确定视盘区域的中心点；
从中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，第一参考点至第二参考点间的线段为第一边长；
从第一参考点向下延伸第三距离确定第二边长，从第一参考点向上延伸第四距离确定第三边长；
基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，第一矩形区域和第二矩形区域的总和为黄斑待定范围。
在一些实施例中，所述中心点向视盘区域的颞侧水平延伸的第一距离为0.5～2ODD，第二距离为3～4.5ODD，第三距离为0.75～2.25ODD，第四距离为0.25～1.75ODD。
具体的，首先确定待预测的眼底图像为人的左眼图像还是右眼图像。视盘的位置在待预测眼底图像中靠颞侧方向。取眼底图像的中线，如果视盘区域中心在中线左边，则为右眼，黄斑区域在视盘区域的右侧偏下位置；反之为左眼，黄斑区域为视盘区域的左侧偏下位置。
在一个具体的实施例中，如图2所示，在待预测眼底图像中，视盘在左侧，是右眼的眼底图像。因此黄斑区域应位于视盘的右侧偏下方。根据上文所述的方法确定黄斑待定范围，具体如图2中的黑色框标注所示，为右眼的眼底图像图。视盘中心向颞侧(右侧)水平延伸1.5倍ODD(optic disk diameters)的位置为第一参考点，再向右水平延伸2倍ODD的位置为第二参考点(视盘中心向右水平延伸3.5倍ODD)，第一参考点与第二参考点间的线段为第一边长(浅灰色)，第一参考点偏下2倍ODD为第二边长，偏上1倍ODD为第三边长，第一边长与第二边长确定下方的正方形区域，第一边长与第三边长确定上方的小矩形区域。也即是，黄斑待定范围为大小为3ODD*2ODD的大矩形区域。
步骤130，从至少一个候选黄斑区域中，筛选出在视盘区域为基准的预设区域范围内的候选黄斑区域。
为了从至少一个黄斑候选定位区域中排除掉非黄斑定位区域，提升黄斑区域的定位精准性。就可以执行本步骤，从至少一个候选黄斑区域中，筛选出在视盘区域为基准的预设区域范围内的候选黄斑区域。
即，如果候选黄斑区域位于大小为3ODD*2ODD的矩形区域中，则暂时保留，否则剔除掉。最终，从位于这个预设区域(黄斑待定范围)中的候选黄斑区域中确定最终的黄斑定位区域，也即是执行步骤140。
步骤140，确定位于黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
本发明实施例提供的一种眼底黄斑定位方法，先获取眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，然后基于视盘区域，确定黄斑待定范围。从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域，并确定一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。通过图像识别模型的方式，耗时短，适用性好，工作效率高；进一步地，可通过图像识别模型得到视盘区域，基于视盘区域来确定黄斑定位区域的准确率也大大提升。
与上述实施例1对应的，本发明实施例2还提供了一种眼底黄斑定位装置，具体如图3所示，该装置包括：识别单元301、黄斑待定范围确定单元302、筛选单元303和处理单元304。
识别单元301，用于确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；
黄斑待定范围确定单元302，用于基于视盘区域，确定黄斑待定范围；
筛选单元303，用于从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域；
处理单元304，用于确定位于黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
可选的，识别单元301可以利用图像识别模型确定所述视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。图像识别模型的相关描述在图1中步骤110已经描述，在此不作赘述。
可选的，黄斑待定范围确定单元302具体用于：确定视盘区域的中心点；从中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，第一参考点至第二参考点间的线段为第一边长；从第一参考点向下延伸第三距离确定第二边长，从第一参考点向上延伸第四距离确定第三边长；基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，第一矩形区域和第二矩形区域的总和为黄斑待定范围。
可选的，第一距离为0.5～2ODD，第二距离为3～4.5ODD，第三距离为0.75～2.25ODD，第四距离为0.25～1.75ODD。
本发明实施例提供的一种眼底黄斑定位装置中各部件所执行的功能均已在上述图1中的实施例中做了详细介绍，因此这里不做过多赘述。
本发明实施例提供的一种眼底黄斑定位装置，确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，然后基于视盘区域，确定黄斑待定范围。从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域，并确定一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。通过图像识别模型的方式，耗时短，适用性好，工作效率高；进一步地，通过图像识别模型得到视盘区域，基于视盘区域来确定黄斑定位区域的准确率也大大提升。
与上述实施例相对应的，本发明实施例3还提供了一种眼底黄斑定位系统，具体如图4所示，该系统包括：处理器401和存储器402。
存储器402用于存储一个或多个程序指令；
一个或多个程序指令被处理器401运行，用以执行如上所介绍的一种眼底黄斑定位方法。
本发明实施例提供的一种眼底黄斑定位系统，确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，然后基于视盘区域，确定黄斑待定范围。从至少一个候选黄斑区域中，筛选出位于黄斑待定范围内的一个或多个候选黄斑区域，并确定一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。通过图像识别模型的方式，耗时短，适用性好，工作效率高；进一步地，通过图像识别模型得到视盘区域，基于视盘区域来确定黄斑定位区域的准确率也大大提升。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，一个或多个程序指令用于被一种眼底黄斑定位系统执行如上所介绍的一种眼底黄斑定位方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (12)

1.一种眼底黄斑定位方法，其特征在于，所述方法包括：
确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；
基于所述视盘区域，确定黄斑待定范围；
从所述至少一个候选黄斑区域中，筛选出位于所述黄斑待定范围内的一个或多个候选黄斑区域；
确定位于所述黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
2.根据权利要求1所述的方法，其特征在于，所述确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，具体包括：
将所述眼底图像输入到第一图像识别模型，确定所述视盘区域；
将所述眼底图像输入到第二图像识别模型，确定至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
3.根据权利要求1所述的方法，其特征在于，所述确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度，具体包括：
将所述眼底图像输入到第三图像识别模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述视盘区域，确定黄斑待定范围，包括：
确定所述视盘区域的中心点；
从所述中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从所述中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，所述第一参考点至所述第二参考点间的线段为第一边长；
从所述第一参考点向下延伸第三距离确定第二边长，从所述第一参考点向上延伸第四距离确定第三边长；
基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，所述第一矩形区域和所述第二矩形区域的总和为黄斑待定范围。
5.根据权利要求2或3所述的方法，其特征在于，所述图像识别模型为Viola-Jones模型、SIFT模型、LBP模型、R-CNN系列模型、YOLO系列模型、SSD模型中的一种或多种的组合。
6.一种眼底黄斑定位装置，其特征在于，所述装置包括：
识别单元，用于确定眼底图像中的视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度；
黄斑待定范围确定单元，用于基于所述视盘区域，确定黄斑待定范围；
筛选单元，用于从所述至少一个候选黄斑区域中，筛选出位于所述黄斑待定范围内的一个或多个候选黄斑区域；
处理单元，用于确定位于所述黄斑待定范围内的一个或多个候选黄斑区域中置信度最大的候选黄斑区域为黄斑定位区域。
7.根据权利要求6所述的装置，其特征在于，所述识别单元具体用于：
将所述眼底图像输入到第一图像识别模型，确定所述视盘区域；
将所述眼底图像输入到第二图像识别模型，确定至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
8.根据权利要求6所述的装置，其特征在于，所述识别单元具体用于：
将所述眼底图像输入到第三图像识别模型，同时确定出视盘区域、至少一个候选黄斑区域以及每一个候选黄斑区域对应的置信度。
9.根据权利要求6-8任一项所述的装置，其特征在于，所述黄斑待定范围确定单元具体用于：
确定所述视盘区域的中心点；
从所述中心点向视盘区域的颞侧水平延伸第一距离，确定第一参考点，从所述中心点向视盘区域的颞侧水平延伸第二距离，确定第二参考点，所述第一参考点至所述第二参考点间的线段为第一边长；
从所述第一参考点向下延伸第三距离确定第二边长，从所述第一参考点向上延伸第四距离确定第三边长；
基于第一边长和第二边长，确定第一矩形区域，基于第一边长和第三边长，确定第二矩形区域，所述第一矩形区域和所述第二矩形区域的总和为黄斑待定范围。
10.根据权利要求7或8所述的装置，其特征在于，所述图像识别模型为Viola-Jones模型、SIFT模型、LBP模型、R-CNN系列模型、YOLO系列模型、SSD模型中的一种或多种的组合。
11.一种眼底黄斑定位系统，其特征在于，所述系统包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述一个或多个程序指令被所述处理器运行，用以执行如权利要求1-5任一项所述的方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种眼底黄斑定位系统执行如权利要求1-5任一项所述的方法。
CN201910105756.5A 2019-02-01 2019-02-01 一种眼底黄斑定位方法、装置、系统及存储介质 Active CN109662686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910105756.5A CN109662686B (zh) 2019-02-01 2019-02-01 一种眼底黄斑定位方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910105756.5A CN109662686B (zh) 2019-02-01 2019-02-01 一种眼底黄斑定位方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN109662686A true CN109662686A (zh) 2019-04-23
CN109662686B CN109662686B (zh) 2022-02-25

Family

ID=66151154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910105756.5A Active CN109662686B (zh) 2019-02-01 2019-02-01 一种眼底黄斑定位方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN109662686B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110598652A (zh) * 2019-09-18 2019-12-20 上海鹰瞳医疗科技有限公司 眼底数据预测方法和设备
CN110739071A (zh) * 2019-10-10 2020-01-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
CN111046717A (zh) * 2019-10-11 2020-04-21 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN111402243A (zh) * 2020-03-20 2020-07-10 林晨 黄斑中心凹识别方法及终端
CN112006649A (zh) * 2020-08-25 2020-12-01 张寅升 一种基于神经网络和自适应形态学约束的黄斑检测方法
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
CN112489003A (zh) * 2020-11-25 2021-03-12 哈尔滨理工大学 一种基于深度学习的糖尿病视网膜病变区域定位检测方法
CN112991343A (zh) * 2021-04-30 2021-06-18 北京至真互联网技术有限公司 眼底图像黄斑区域的识别检测方法和装置及设备
WO2021190656A1 (zh) * 2020-11-02 2021-09-30 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070268455A1 (en) * 2006-05-16 2007-11-22 Mark Costin Roser Visual & memory stimulating retina self-monitoring system
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
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109199322A (zh) * 2018-08-31 2019-01-15 福州依影健康科技有限公司 一种黄斑检测方法及一种存储设备
CN109255336A (zh) * 2018-09-29 2019-01-22 南京理工大学 基于巡检机器人的避雷器识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070268455A1 (en) * 2006-05-16 2007-11-22 Mark Costin Roser Visual & memory stimulating retina self-monitoring system
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
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109199322A (zh) * 2018-08-31 2019-01-15 福州依影健康科技有限公司 一种黄斑检测方法及一种存储设备
CN109255336A (zh) * 2018-09-29 2019-01-22 南京理工大学 基于巡检机器人的避雷器识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周唯等: "视网膜图像中的黄斑中心检测", 《中国图象图形学报》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110598652A (zh) * 2019-09-18 2019-12-20 上海鹰瞳医疗科技有限公司 眼底数据预测方法和设备
CN110598652B (zh) * 2019-09-18 2022-04-22 上海鹰瞳医疗科技有限公司 眼底数据预测方法和设备
CN110739071A (zh) * 2019-10-10 2020-01-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
CN110739071B (zh) * 2019-10-10 2022-05-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
WO2021068523A1 (zh) * 2019-10-11 2021-04-15 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN111046717A (zh) * 2019-10-11 2020-04-21 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
JP2022534209A (ja) * 2019-10-11 2022-07-28 平安科技（深▲せん▼）有限公司 眼底画像から黄斑中心を位置特定する方法、装置、電子機器及び記憶媒体
JP7242906B2 (ja) 2019-10-11 2023-03-20 平安科技（深▲せん▼）有限公司 眼底画像から黄斑中心を位置特定する方法、装置、電子機器及び記憶媒体
CN111046717B (zh) * 2019-10-11 2024-01-30 平安科技（深圳）有限公司 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
CN111402243A (zh) * 2020-03-20 2020-07-10 林晨 黄斑中心凹识别方法及终端
CN111402243B (zh) * 2020-03-20 2023-08-11 智眸医疗(深圳)有限公司 黄斑中心凹识别方法及终端
CN112006649A (zh) * 2020-08-25 2020-12-01 张寅升 一种基于神经网络和自适应形态学约束的黄斑检测方法
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
WO2021190656A1 (zh) * 2020-11-02 2021-09-30 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
CN112489003A (zh) * 2020-11-25 2021-03-12 哈尔滨理工大学 一种基于深度学习的糖尿病视网膜病变区域定位检测方法
CN112991343A (zh) * 2021-04-30 2021-06-18 北京至真互联网技术有限公司 眼底图像黄斑区域的识别检测方法和装置及设备
US11908137B2 (en) 2021-04-30 2024-02-20 Beijing Zhenhealth Technology Co., Ltd. Method, device and equipment for identifying and detecting macular region in fundus image

Also Published As

Publication number Publication date
CN109662686B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN109662686A (zh) 一种眼底黄斑定位方法、装置、系统及存储介质
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
US9842247B2 (en) Eye location method and device
CN107506770A (zh) 糖尿病视网膜病变眼底照相标准图像生成方法
Guo et al. Automated glaucoma screening method based on image segmentation and feature extraction
CN104463159B (zh) 一种定位虹膜的图像处理方法和装置
CN106980852B (zh) 基于角点检测与匹配的药品识别系统及其识别方法
CN107895367A (zh) 一种骨龄识别方法、系统及电子设备
CN107330449A (zh) 一种糖尿病性视网膜病变体征检测方法及装置
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN107145845A (zh) 基于深度学习及多特征点融合的行人检测方法
CN109446889A (zh) 基于孪生匹配网络的物体追踪方法及装置
CN110414559A (zh) 智能零售柜商品目标检测统一框架的构建方法及商品识别方法
CN110327013A (zh) 眼底图像检测方法、装置及设备和存储介质
CN106971130A (zh) 一种以人脸为参照的手势识别方法
CN110428421A (zh) 黄斑图像区域分割方法和设备
CN106295661A (zh) 叶片图像多特征融合的植物种类识别方法及装置
CN109961848A (zh) 黄斑图像分类方法和设备
CN109086676A (zh) 一种学生注意力分析系统及其判定方法
CN108186051A (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
CN107506746A (zh) 智能阅卷系统无定位点图像识别方法及系统
CN109658393A (zh) 眼底图像拼接方法及系统
Kavitha et al. Hierarchical classifier for soft and hard exudates detection of retinal fundus images
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
CN103177266A (zh) 储藏物害虫智能识别系统

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
GR01 Patent grant
GR01 Patent grant