CN109685770B - 视网膜血管弯曲度确定方法 - Google Patents

视网膜血管弯曲度确定方法 Download PDF

Info

Publication number
CN109685770B
CN109685770B CN201811483151.1A CN201811483151A CN109685770B CN 109685770 B CN109685770 B CN 109685770B CN 201811483151 A CN201811483151 A CN 201811483151A CN 109685770 B CN109685770 B CN 109685770B
Authority
CN
China
Prior art keywords
blood vessel
neural network
image
curvature
branch
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.)
Active
Application number
CN201811483151.1A
Other languages
English (en)
Other versions
CN109685770A (zh
Inventor
刘磊
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.)
Hefei Orbis Technology Co ltd
Original Assignee
Hefei Orbis 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 Hefei Orbis Technology Co ltd filed Critical Hefei Orbis Technology Co ltd
Priority to CN201811483151.1A priority Critical patent/CN109685770B/zh
Publication of CN109685770A publication Critical patent/CN109685770A/zh
Application granted granted Critical
Publication of CN109685770B publication Critical patent/CN109685770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (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

本发明实施例公开一种视网膜血管弯曲度确定方法，构建全卷积深度神经网络，应用全卷积深度神经网络可以从获取的目标眼底图像中分割出目标眼底图像中的血管和视盘。根据目标眼底图像中的血管和视盘，确定目标眼底图像中血管的弯曲度，实现基于全卷积深度神经网络自动确定视网膜血管弯曲度，从而能够提高视网膜血管弯曲度识别效率。

Description

视网膜血管弯曲度确定方法
技术领域
本发明涉及计算机领域，尤其涉及一种视网膜血管弯曲度确定方法。
背景技术
随着科学技术的发展，目前已可以通过医学影像中关于结构和组织所反映出的各种特征和细节，进行相关的分析。例如眼底影像中包含了丰富的玻璃体、视网膜、血管网和脉络膜等细节。视网膜血管在正常情况下，其形态跟结构一直处于稳定状态。然而高血压、糖尿病及冠状动脉硬化等心脑血管疾病会引起视网膜血管弯曲度等结构变化。如果能够尽早发现视网膜血管弯曲度变化，可以及时采取措施防止这些疾病的危害。
当前的眼底图像识别方式大多通过眼底照相机获取眼底图像后，靠肉眼识别视网膜血管的弯曲度变化，视网膜血管弯曲度识别效率有待提高。
发明内容
本发明实施例提供一种视网膜血管弯曲度确定方法，能够提高网膜血管弯曲度识别效率。
本发明实施例采用如下技术方案：
一种视网膜血管弯曲度确定方法，包括：
构建全卷积深度神经网络，所述全卷积深度神经网络能够从眼底图像中分割出血管和视盘；
获取目标眼底图像，应用所述全卷积深度神经网络从所述目标眼底图像中分割出所述目标眼底图像中的血管和视盘；
根据所述目标眼底图像中的血管和视盘，确定所述目标眼底图像中血管的弯曲度。
本发明实施例公开一种视网膜血管弯曲度确定方法，构建全卷积深度神经网络，应用全卷积深度神经网络可以从获取的目标眼底图像中分割出目标眼底图像中的血管和视盘。根据目标眼底图像中的血管和视盘，确定目标眼底图像中血管的弯曲度，实现基于全卷积深度神经网络自动确定视网膜血管弯曲度，从而能够提高视网膜血管弯曲度识别效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为本发明实施例示出的视网膜血管弯曲度确定方法的流程图。
图2为本发明实施例示出的眼底图像分割的流程示意图。
图3为本发明实施例示出的分割血管和视盘的示意图。
图4为本发明实施例示出的对血管弯曲度计算的示意图。
图5为本发明实施例示出的全卷积深度神经网络的架构示意图。
图6为本发明实施例示出的特征提取部分和上采样部分的参数配置示意图。
图7a为本发明实施例示出的提取血管的灰度示意图。
图7b为本发明实施例示出的提取血管的二值化示意图。
图7c为本发明实施例示出的提取血管的距离变换示意图。
图7d为本发明实施例示出的提取血管的中心线示意图。
图8a为本发明实施例示出的数字化的曲率验证圆弧示意图。
图8b为本发明实施例示出的圆弧上曲线分布对比的示意图。
图9a为本发明实施例示出的曲率计算原理的示意图。
图9b为本发明实施例示出的血管曲率分布示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例提供一种视网膜血管弯曲度确定方法，通过预训练好的深度学习神经网络能够快速、准确的完成眼底图像和视盘的提取。
如图1所示，本发明实施例提供一种视网膜血管弯曲度确定方法，包括：
S1、构建全卷积深度神经网络，所述全卷积深度神经网络能够从眼底图像中分割出血管和视盘。
S2、获取目标眼底图像，应用所述全卷积深度神经网络从所述目标眼底图像中分割出所述目标眼底图像中的血管和视盘。
S3、根据所述目标眼底图像中的血管和视盘，确定所述目标眼底图像中血管的弯曲度。
本发明实施例提供的视网膜血管弯曲度确定方法，构建全卷积深度神经网络，全卷积深度神经网络能够从眼底图像中分割出血管和视盘，获取目标眼底图像，应用全卷积深度神经网络从目标眼底图像中分割出目标眼底图像中的血管和视盘，根据目标眼底图像中的血管和视盘，确定目标眼底图像中血管的弯曲度，从而实现基于全卷积深度神经网络自动确定视网膜血管弯曲度，从而能够提高网膜血管弯曲度识别效率。
在一个实施例中，S1构建的全卷积深度神经网络可以为经过处理及训练的后的全卷积深度神经网络。如图2所示，应用训练图像(眼底图像)得到全卷积网络后进行系列处理后得到全卷积深度神经网络(S1中的全卷积深度神经网络)，眼底图像在输入后通过多任务学习分别进行血管的分割和视盘的分割。具体的，图2中对事先准备好的训练图像进行预处理，预处理过后进行数据扩增，将扩增后的训练作为训练数据，输入到全卷积网络中，根据损失函数计算出二值损失，使用梯度下降算法更新网络权值，根据其在验证集上的最优结果保存模型(S1中的全卷积深度神经网络)。对测试图像进行与训练时相同的预处理，然后将数据输入最优的保存模型，自动分割出视盘和血管。图3所示为眼底图像通过训练出的全卷积深度神经网络分割出的血管和视盘。如图4所示，采用通过多任务学习进行血管和视盘的分割通过数字图像处理完成血管弯曲度计算。具体的，对于一张视网膜眼底图像，通过训练好的全卷积深度神经网络对输入的视网膜眼底照片进行分割，对分割出的视盘根据以视盘为起点中心，向外延伸4个视盘直径距离圆形区域，确定血管曲率计算范围，同时从视网膜眼底照片分割出的血管提取出血管中心线，通过血管树去除分支交叉点后，获得最终需要计算曲折度的ROI二值图像，根据ROI二值图像获取主血管的分支曲线，提取一张血管树中n段平滑后的分支血管曲线，计算每条曲线上每个像素点上的曲率值。
基于FCN的神经网络模型。该模型的结构分为特征提取部分和上采样两部分。其中特征提取部分，每经过一个池化层就一个尺度，包括原图一共5个尺度。上采样部分的操作为每上采样一次，就和特征提取部分对应的通道数相同尺度融合。基于多任务学习进行眼底视网膜照片的血管和视盘分割。血管分割和视盘分割共享所述全卷积深度神经网络参数。最后输出分割后的血管和视盘照片。训练所述神经网络模型时，对所述神经网络中的每一个卷积在ReLu前使用Batch Normalization函数计算，让网络中间数据的分布尽量规范化在传至下一层。训练所述神经网络模型时，对所述神经网络中的每一个卷积使用LeakyReLu方程运算后再传至下一层。训练所述神经网络模型时，使用Binary CrossEntropyLoss作为损失函数。使用带Nesterov Momentum的随机梯度下降法作为所述神经网络的损失函数的优化算法。训练所述神经网络模型时，使用L2 Weight Decay对所述神经网络中的参数进行正则化。血管中心线的提取。通过所述神经网络获取的视网膜血管灰度图二值化处理得到血管中心线图像。视盘中心的确定和视盘直径的测量。通过所述神经获取得到视网膜灰度图像确定视盘中心和视盘直径的测量。
具体的：血管中心线的提取时，通过所述神经网络获取的视网膜血管灰度图进行形态学结合距离变换处理得到血管中心线图像。视盘中心的确定和视盘直径的测量时，通过所述神经获取得到视网膜灰度图像确定视盘中心和视盘直径的测量。曲率测量范围的确定时，以视盘为起点中心，向外延伸4个视盘直径距离圆形区域，确定血管曲率计算范围。血管分支交叉点的去除。通过血管树去除分支交叉点后，获得最终需要计算曲折度的ROI二值图像。主血管分支的提取时，通过对所述ROI图像进行血管分支提取，获取主血管的分支曲线。曲率计算。提取一张血管树中n段平滑后的分支血管曲线，计算每条曲线上每个像素点上的曲率值。
在一个实施例中，所述构建全卷积深度神经网络包括：
构建所述全卷积深度神经网络的特征提取部分和上采样部分，全卷积深度神经网络的架构如图5所示，其中，特征提取部分和上采样部分的参数配置如图6所示。所述特征提取部分，每经过一个池化层就一个尺度，包括原图一共有5个尺度；所述上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，同时在每层的卷积之后增加BatchNormalization，保证神经网络中间数据尽量规范化。
在一个实施例中，采用以下方式训练所述全卷积深度神经网络，得到针对医疗眼底图像的血管和视盘分割的全卷积深度神经网络：
使用Binary CrossEntropy Loss作为损失函数；
使用带Nesterov Momentum的随机梯度下降法作为优化学习算法；
对所述全卷积深度神经网络中的各参数使用L2 Weight Decay正则化，防止参数过大导致的过拟合。
通过以上训练过程，得到针对医疗眼底图像的血管和视盘分割的全卷积深度神经网络。
在一个实施例中，采用以下方式训练所述全卷积深度神经网络：
获取训练数据集和测试数据集，训练数据集和测试数据集中分别包含20张输入训练图像的文件夹和20张标记好的眼底血管标签数据、20张标记好的眼底视盘标签数据文件夹；
对数据集中的眼底图像进行预处理，针对全卷积深度神经网络所进行的训练，遍历训练数据集中的20张输入图像文件夹的所有图像，用训练样本训练全卷积深度神经网络。
在一个实施例中，参考图4所示，所述根据所述目标眼底图像中的血管和视盘，确定所述目标眼底图像中血管的弯曲度包括：
根据视盘中心、视盘直径确定曲率测量范围；
提取血管中心线；
根据所述血管中心线及所述曲率测量范围，提取血管分支；
对所述血管分支进行曲率计算。
在一个实施例中，所述提取血管中心线包括：
为提取血管中心线，首先对通过深度学习获得的视网膜血管灰度图像进行二值化处理，如图7a所示。
使用自适应大津阈值算法对图像进行全局阈值处理，并采用形态学处理去除孤立或细小的噪声点，如图7b所示。
使用形态学处理得到骨骼化图像，如图7c所示，并通过欧氏距离变换计算血管上每个像素到离它最近的背景像素的距离获得血管距离图像，得到保持距离参数的血管中心线图像，如图7d所示。
在一个实施例中，所述根据视盘中心、视盘直径确定曲率测量范围包括：
对深度学习获取得到视网膜视盘灰度图像进行二值化处理，利用主活动轮廓CV(Chan-Vese)模型将视盘灰度图像分割成前景和背景形成模板，对模板中近似圆形的视盘区域计算面积估计视盘中心和等效圆直径；
视盘中心为起点中心，向外延伸4个视盘直径距离圆形区域，即为血管曲率的计算范围。
在一个实施例中，所述根据所述血管中心线及所述曲率测量范围，提取血管分支包括：
去除血管分支交叉点；
血管树去除分支交叉点后，获得最终需要计算曲折度的ROI图像，将所有分支打断并分别统计每条分支曲线上所有像素的曲率值；
使用canny算子提取血管边缘线并进行角点检测，保留分支曲线上像素个数总数大于12的分支，对每段分支血管曲线进行样条函数拟合，得到平滑后的血管分支曲线。图8a所示为一段数字图像形式的圆弧，图中点表示该弧线上的像素点位置。图8b所示实线表示圆弧上的真实曲线分布，虚线表示拟合平滑后的曲线分布。
在一个实施例中，所述血管分支交叉点的去除包括：
将在视网膜象限区域并二值化处理后的血管中心线图作为感兴趣区域ROI图像；
对ROI图像进行形态学运算找到血管树中所有的分支交叉点，并构建一个指定半径2的平面圆盘形的结构元素；
对所有的分支交叉点进行膨胀操作并反相，获得一个交叉点模板图，ROI图像与交叉点模板图相与得到去除分支点的血管树图。
由于血管树纵交复杂且分支多，在曲率计算之前，本实施例对血管之间的交叉点进行处理。
在一个实施例中，所述对所述血管分支进行曲率计算包括：
如图9a所示，提取一张血管树中n段平滑后的分支血管曲线，一条血管被定义成曲线，对所述每条曲线进行曲线拟合后，近似圆上的某段圆弧，采用k对，k>7(一般取8～12拟合效果较好)像素点的大小作为链码；确定好计算区域后，采用最小二乘法对血管曲线段进行圆拟合，获得对应像素点上的等效圆半径R，曲率值即为1/R。如图9b所示为计算后的血管曲率分布。
本发明实施例通过预训练好的深度学习神经网络能够快速、准确的完成眼底图像和视盘的提取。
本发明实施例提供的视网膜血管弯曲度确定方法，构建全卷积深度神经网络，全卷积深度神经网络能够从眼底图像中分割出血管和视盘，获取目标眼底图像，应用全卷积深度神经网络从目标眼底图像中分割出目标眼底图像中的血管和视盘，根据目标眼底图像中的血管和视盘，确定目标眼底图像中血管的弯曲度，从而实现基于全卷积深度神经网络自动确定视网膜血管弯曲度，从而能够提高网膜血管弯曲度识别效率。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。

Claims (6)

1.一种视网膜血管弯曲度确定方法，其特征在于，包括：
构建全卷积深度神经网络，所述全卷积深度神经网络能够从眼底图像中分割出血管和视盘；
获取目标眼底图像，应用所述全卷积深度神经网络从所述目标眼底图像中分割出所述目标眼底图像中的血管和视盘；
根据所述目标眼底图像中的血管和视盘，确定所述目标眼底图像中血管的弯曲度；
所述根据所述目标眼底图像中的血管和视盘，确定所述目标眼底图像中血管的弯曲度包括：
根据视盘中心、视盘直径确定曲率测量范围；
提取血管中心线；
根据所述血管中心线及所述曲率测量范围，提取血管分支；
对所述血管分支进行曲率计算；
所述提取血管中心线包括：
对通过深度学习获得的视网膜血管灰度图像进行二值化处理；
使用自适应大津阈值算法对图像进行全局阈值处理，并采用形态学处理去除孤立或细小的噪声点；
使用形态学处理得到骨骼化图像，并通过欧氏距离变换计算血管上每个像素到离它最近的背景像素的距离获得血管距离图像，得到保持距离参数的血管中心线图像；
所述根据所述血管中心线及所述曲率测量范围，提取血管分支包括：
去除血管分支交叉点；
血管树去除分支交叉点后，获得最终需要计算曲折度的ROI图像，将所有分支打断并分别统计每条分支曲线上所有像素的曲率值；
使用canny算子提取血管边缘线并进行角点检测，保留分支曲线上像素个数总数大于12的分支，对每段分支血管曲线进行样条函数拟合，得到平滑后的血管分支曲线；
所述血管分支交叉点的去除包括：
将在视网膜象限区域并二值化处理后的血管中心线图作为感兴趣区域ROI图像；
对ROI图像进行形态学运算找到血管树中所有的分支交叉点，并构建一个指定半径2的平面圆盘形的结构元素；
对所有的分支交叉点进行膨胀操作并反相，获得一个交叉点模板图，ROI图像与交叉点模板图相与得到去除分支点的血管树图。
2.根据权利要求1所述的方法，其特征在于，所述构建全卷积深度神经网络包括：
构建所述全卷积深度神经网络的特征提取部分和上采样部分，其中，所述特征提取部分，每经过一个池化层生成一个尺度，包括原图一共有5个尺度；所述上采样部分，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，同时在每层的卷积之后增加BatchNormalization，保证神经网络中间数据尽量规范化。
3.根据权利要求2所述的方法，其特征在于，采用以下方式训练所述全卷积深度神经网络，得到针对医疗眼底图像的血管和视盘分割的全卷积深度神经网络：
使用Binary CrossEntropy Loss作为损失函数；
使用带Nesterov Momentum的随机梯度下降法作为优化学习算法；
对所述全卷积深度神经网络中的各参数使用L2 Weight Decay正则化，防止参数过大导致的过拟合。
4.根据权利要求2所述的方法，其特征在于，采用以下方式训练所述全卷积深度神经网络：
获取训练数据集和测试数据集，训练数据集和测试数据集中分别包含20张输入训练图像的文件夹和20张标记好的眼底血管标签数据、20张标记好的眼底视盘标签数据文件夹；
对数据集中的眼底图像进行预处理，针对全卷积深度神经网络所进行的训练，遍历训练数据集中的20张输入图像文件夹的所有图像，用训练样本训练全卷积深度神经网络。
5.根据权利要求1所述的方法，其特征在于，所述根据视盘中心、视盘直径确定曲率测量范围包括：
对深度学习获取得到视网膜视盘灰度图像进行二值化处理，利用主活动轮廓CV(Chan-Vese)模型将视盘灰度图像分割成前景和背景形成模板，对模板中近似圆形的视盘区域计算面积估计视盘中心和等效圆直径；
以视盘中心为起点中心，向外延伸4个视盘直径距离的圆形区域，即为血管曲率的计算范围。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述对所述血管分支进行曲率计算包括：
提取一张血管树中n段平滑后的分支血管曲线，对所述每条曲线进行曲线拟合后，近似圆上的某段圆弧，采用k对，k>7像素点的大小作为链码；
确定好计算区域后，采用最小二乘法对血管曲线段进行圆拟合，获得对应像素点上的等效圆半径R，曲率值即为1/R。
CN201811483151.1A 2018-12-05 2018-12-05 视网膜血管弯曲度确定方法 Active CN109685770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811483151.1A CN109685770B (zh) 2018-12-05 2018-12-05 视网膜血管弯曲度确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811483151.1A CN109685770B (zh) 2018-12-05 2018-12-05 视网膜血管弯曲度确定方法

Publications (2)

Publication Number Publication Date
CN109685770A CN109685770A (zh) 2019-04-26
CN109685770B true CN109685770B (zh) 2020-10-09

Family

ID=66187028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811483151.1A Active CN109685770B (zh) 2018-12-05 2018-12-05 视网膜血管弯曲度确定方法

Country Status (1)

Country Link
CN (1) CN109685770B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111652871B (zh) * 2020-06-03 2023-07-04 宁波慈溪生物医学工程研究所 基于ivcm图像的角膜神经弯曲度测量系统及方法
CN111784641B (zh) * 2020-06-08 2024-04-05 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 一种基于拓扑结构的神经图像弯曲度估计方法及装置
CN113837985B (zh) * 2020-06-24 2023-11-07 上海博动医疗科技股份有限公司 用于血管造影图像处理的训练方法和装置、自动处理方法和装置
CN111862070A (zh) * 2020-07-29 2020-10-30 南通大学 一种基于ct图像测量皮下脂肪厚度的方法
CN112890764B (zh) * 2021-01-18 2022-12-13 哈尔滨工业大学 无人化低成本便携式眼底疾病检测系统
CN113269737B (zh) * 2021-05-17 2024-03-19 北京鹰瞳科技发展股份有限公司 一种眼底视网膜动静脉血管直径计算方法及系统
CN114119579B (zh) * 2021-10-08 2024-06-21 北京理工大学 一种基于血管结构相似度的视网膜图像主血管识别方法
CN115511883B (zh) * 2022-11-10 2023-04-18 北京鹰瞳科技发展股份有限公司 确定视网膜眼底血管的弯曲度的方法、设备和存储介质
CN117611585B (zh) * 2024-01-22 2024-06-18 天津医科大学眼科医院 一种基于图像处理的眼球壁形变分析方法及系统
CN118015058A (zh) * 2024-03-05 2024-05-10 北京大学第一医院(北京大学第一临床医学院) 一种视网膜血管曲率的计算方法、系统及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106846301A (zh) * 2016-12-29 2017-06-13 北京理工大学 视网膜图像分类方法及装置
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106846301A (zh) * 2016-12-29 2017-06-13 北京理工大学 视网膜图像分类方法及装置
CN107256550A (zh) * 2017-06-06 2017-10-17 电子科技大学 一种基于高效cnn‑crf网络的视网膜图像分割方法
CN107292887A (zh) * 2017-06-20 2017-10-24 电子科技大学 一种基于深度学习自适应权重的视网膜血管分割方法
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
U-Net: Convolutional Networks for Biomedical Image Segmentation;Olaf Ronneberger;《arXiv:1505.04597v1》;20150518;论文全文 *
高度近视患者视网膜血管几何学特性分析;陈晓冲;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20140215(第02期);论文第1章 *

Also Published As

Publication number Publication date
CN109685770A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685770B (zh) 视网膜血管弯曲度确定方法
JP7496389B2 (ja) 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法
CN107292868B (zh) 一种视盘定位方法及装置
CN108805134B (zh) 一种主动脉夹层分割模型的构建方法及应用
CN108416344B (zh) 眼底彩照视盘与黄斑定位识别方法
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
Sopharak et al. Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images
Panda et al. New binary Hausdorff symmetry measure based seeded region growing for retinal vessel segmentation
CN110276763B (zh) 一种基于可信度和深度学习的视网膜血管分割图生成方法
CN109741335B (zh) 血管oct图像中血管壁及血流区域的分割方法与装置
CN112419271B (zh) 一种图像分割方法、装置及计算机可读存储介质
CN102068281A (zh) 一种占位性病变超声图像的处理方法
KR102313143B1 (ko) 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법
CN110717518A (zh) 基于3d卷积神经网络的持续性肺结节识别方法及装置
Krishnan et al. Glaucoma detection from retinal fundus images
CN110648303A (zh) 眼底图像分析方法、计算机设备和存储介质
CN112529918B (zh) 一种脑部ct图像中脑室区域分割的方法、装置及设备
Bhat et al. Segmentation of optic disc by localized active contour model in retinal fundus image
CN115424093A (zh) 一种识别眼底图像中细胞的方法及装置
Zhou et al. Automatic optic disc boundary extraction based on saliency object detection and modified local intensity clustering model in retinal images
Jadhav et al. Classification of diabetes retina images using blood vessel area
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN116385467B (zh) 基于自监督学习的脑血管分割方法及相关设备
Jana et al. A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image
CN116524548A (zh) 血管结构信息提取方法、装置及存储介质

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