CN109784337B - 一种黄斑区识别方法、装置及计算机可读存储介质 - Google Patents

一种黄斑区识别方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN109784337B
CN109784337B CN201910164878.1A CN201910164878A CN109784337B CN 109784337 B CN109784337 B CN 109784337B CN 201910164878 A CN201910164878 A CN 201910164878A CN 109784337 B CN109784337 B CN 109784337B
Authority
CN
China
Prior art keywords
information
historical
blood vessel
position information
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.)
Active
Application number
CN201910164878.1A
Other languages
English (en)
Other versions
CN109784337A (zh
Inventor
孙钦佩
杨叶辉
王磊
许言午
黄艳
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 Confucius Health Technology Co.,Ltd.
Original Assignee
Beijing Confucius Health 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 Confucius Health Technology Co ltd filed Critical Beijing Confucius Health Technology Co ltd
Priority to CN201910164878.1A priority Critical patent/CN109784337B/zh
Publication of CN109784337A publication Critical patent/CN109784337A/zh
Priority to US16/698,673 priority patent/US20200260944A1/en
Application granted granted Critical
Publication of CN109784337B publication Critical patent/CN109784337B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明实施例提出一种黄斑区识别方法、装置及计算机可读存储介质，其中方法包括：获取针对目标对象的眼底图像；从所述眼底图像中，提取血管信息、以及视盘信息；将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息。解决在黄斑区部分的图像质量受损的情况下，无法准确识别黄斑区的问题。

Description

一种黄斑区识别方法、装置及计算机可读存储介质
技术领域
本发明涉及医疗图像处理技术领域，尤其涉及一种黄斑区识别方法、装置及计算机可读存储介质。
背景技术
黄斑区位于视网膜中央，是视力最敏感区，负责视觉和色觉的视锥细胞就分布于该区域，因此任何累及黄斑部的病变都会引起中心视力的明显下降、视物色暗、变形等。黄斑区并没有明显的界线，基于黄斑中心凹所提取的区域称作黄斑区。
目前，黄斑区提取普遍采用如下两种方案来解决：利用黄斑中心凹亮度较低的特点使用图像处理阈值法对黄斑中心凹进行定位，然后提取黄斑区；以及，利用形态学和特征提取技术定位黄斑中心，最后提取黄斑区。
但是，上述方案都存在在黄斑区部分的图像质量受损的情况下，无法准确识别黄斑区的问题。
发明内容
本发明实施例提供一种黄斑区识别方法、装置及计算机可读存储介质，以解决现有技术中的一个或多个技术问题。
第一方面，本发明实施例提供了一种黄斑区识别方法，包括：
获取针对目标对象的眼底图像；
从所述眼底图像中，提取血管信息、以及视盘信息；
将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；
基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息。
在一种实施方式中，所述方法还包括：
获取至少一个历史眼底图像；
基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；
将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；
基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型。
在一种实施方式中，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；
所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
在一种实施方式中，所述从所述眼底图像中，提取血管信息、以及视盘信息，包括：
基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；
从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；
基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
在一种实施方式中，所述基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息，包括：
基于眼底图像的视盘信息确定黄斑区的半径；
将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
在一种实施方式中，所述方法还包括：
基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；
基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
第二方面，本发明实施例提供了一种黄斑区识别装置，其特征在于，包括：
信息获取单元，用于获取针对目标对象的眼底图像；从所述眼底图像中，提取血管信息、以及视盘信息；
模型处理单元，用于将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；
信息识别单元，用于基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息。
在一种实施方式中，所述模型处理单元，还用于
获取至少一个历史眼底图像；基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型。
在一种实施方式中，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；
所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
在一种实施方式中，所述信息获取单元，用于基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
在一种实施方式中，所述信息识别单元，用于基于眼底图像的视盘信息确定黄斑区的半径；将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
在一种实施方式中，所述装置还包括：
图像提取单元，用于基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
第三方面，本发明实施例提供了一种黄斑区识别装置，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一项所述的方法。
在一个可能的设计中，所述装置的结构中包括处理器和存储器，所述存储器用于存储支持所述装置执行上述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口，用于与其他设备或通信网络通信。
第四方面，本发明实施例提供了一种计算机可读存储介质，用于存储黄斑区识别装置所用的计算机软件指令，其包括用于执行上述黄斑区识别方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果：
通过提取目标对象眼底图像中的血管信息以及视盘信息，将血管信息以及视盘信息输入到回归模型并得到黄斑区的中心凹的位置信息，以基于黄斑区中心凹的位置信息确定黄斑区的区域位置信息。如此，就能够根据视盘和血管信息运用回归算法得到黄斑中心凹位置，可以有效避免光照以及病灶损伤对于黄斑区部分的图像质量的影响所造成的无法识别黄斑区的问题，并且采用上述方案使得识别黄斑区的准确性更高，增强黄斑区提取算法的鲁棒性。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
图1示出本发明实施例的一种黄斑区识别方法流程示意图一；
图2示出本发明实施例的一种黄斑区识别方法流程示意图二；
图3示出本发明实施例的一种黄斑区识别方法流程示意图三；
图4示出眼底图像中的血管信息的一种示意图；
图5示出眼底图像中的黄斑区以及视盘的位置示意图；
图6示出本发明实施例提取黄斑区图像的流程示意图；
图7示出本发明实施例的基于掩膜从眼底图像中提取黄斑区图像的示意图；
图8示出本发明实施例识别黄斑区以及提取黄斑区的流程示意图；
图9示出本发明实施例的一种处理过程中各个阶段的图像示意图；
图10示出本发明实施例的一种黄斑区识别装置的结构框图一；
图11示出本发明实施例的一种黄斑区识别装置的结构框图二。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
在一种实施方式中，图1示出根据本发明实施例的黄斑区识别方法的流程图，所述方法包括：
步骤S11：获取针对目标对象的眼底图像；
步骤S12：从所述眼底图像中，提取血管信息、以及视盘信息；
步骤S13：将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；
步骤S14：基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区。
这里，本实施例提供的方案可以应用于具备图像分析及处理功能的设备，比如，可以为终端设备，当然，也可以应用于网络设备。
当方案应用在终端设备的时候，可以通过终端设备上设置的图像采集单元采集针对目标对象的眼底图像，再通过终端设备的处理单元执行前述步骤S11-步骤S14最终获取目标对象的眼部的黄斑区。
当方案应用在网络设备的时候，可以接收具备采集单元的终端设备发来的其采集到的针对目标对象的眼底图像，然后由网络设备执行步骤S11-步骤S14；进一步地，当本方案应用在网络侧，可以在执行完成步骤S14之后，由网络设备将针对目标对象的眼部的黄斑区的识别结果发送至终端设备。本实施例不针对如何采集以及如何获取针对目标对象的眼底图像进行限定，因此后续仅针对终端设备或者网络设备如何具体执行上述各个步骤进行说明。
本实施例提供的方案在执行步骤S11之前，会对回归模型进行训练，具体的处理可以参见图2，包括以下步骤：
步骤S21：获取至少一个历史眼底图像；
步骤S22：基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；
步骤S23：将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；
步骤S24：基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型。
其中，所述至少一个历史眼底图像可以来自同一个用户也可以来自不同的用户；或者还可以是一个用户的N张历史眼底图像，以及另一个用户的M张历史眼底图像。获取至少一个历史眼底图像的方式可以为从数据库中获取已经采集到并保存的多张历史眼底图像。
为了定位黄斑中心凹以及提取黄斑区ROI，需要借助其他信息，比如视盘和血管的信息。
其中，所述视盘是视网膜上视觉纤维汇集穿出眼球的部位，在眼底图像中通常是境界清楚的淡红色椭圆形结构，而眼球底部的视网膜血管是全身血管系统中唯一可以无创直接观测到的部分，其自身的变化，例如血管宽度、角度、分支形态等,均可作为与血管相关疾病的诊断依据。眼科致盲疾病,例如青光眼、糖尿病视网膜病变、老年性黄斑病变等,更是能直接从眼底视网膜血管病变中观察到，黄斑中心凹的位置与视盘位置以及血管的分布存在密切的关联性。
因此，本实施例提供的方案中，采用历史眼底图像中与黄斑中心凹的位置有密切关系的历史视盘信息以及历史血管信息，对回归模型进行训练。
具体来说，提取黄斑中心凹的位置有密切关系的历史视盘信息以及历史血管信息参见步骤S22，即基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息。
其中，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
比如，某一个历史眼底图像中的历史视盘信息中，可以包括有历史视盘水平直径为dh，历史视盘竖直直径为dv，历史视盘直径ODD，以及历史视盘中心(xdisc,ydisc)；
该历史眼底图像的历史血管信息中包含有：历史血管重心坐标，可以表示为(xvessel,yvessel)，至少两条血管的历史汇集点坐标，比如血管四条主动脉和主静脉的汇集点坐标，可以表示为(xConvergence,yConvergence)。
关于获取某一张历史眼底图像中的历史视盘信息的方式，可以为使用卷积神经网络(CNN)对视盘进行检测，得到视盘的边框(bounding-box)，进而得到视盘水平直径，竖直直径和中心坐标。
关于获取历史血管信息的方式可以为：使用CNN语义分割算法，对历史眼底图像中的血管进行像素级分割，也就是从眼底图像中提取包含有血管的至少一个像素；然后基于包含有血管的至少一个像素所对应的坐标，获取至少一个血管所对应的坐标集合，可以称为血管的Mask。通过血管Mask，提取历史血管信息。
需要说明的是，所述血管的mask可以为历史眼底图像中包含的每一条血管所对应的不同的坐标集合，也可以为历史眼底图像中包含的全部的血管的坐标集合。
进一步地，基于通过血管Mask，提取历史血管信息，可以为：根据每一条血管对应的不同的坐标集合，分别计算每一条血管的子重心坐标，再将全部血管对应的子重心坐标的平均值作为历史血管重心坐标；其中，计算每一条血管的子重心坐标的方式可以为进行像素位置平均值的计算，得到的结果即子重心坐标。
或者，可以为利用包含有全部血管的像素位置的坐标集合，进行全部像素位置的平均值的计算得到历史血管重心坐标。
关于获取历史汇集点坐标的方式，可以为根据至少一条血管的坐标，比如动脉和静脉血管的坐标，选取重叠区域最大，或者像素最多的位置作为历史汇集点坐标。
关于确定历史黄斑中心凹的位置的方法，可以为人工标注等方式，这里不再穷举。
进一步地，利用历史眼底图像中的历史视盘中心、历史视盘水平直径和历史竖直直径、历史血管信息，历史黄斑中心凹信息进行回归模型训练，可以采用以下公式表示：
Coordinatefovea＝f(Coordinatedisc，Coordinatevessel)，
其中，f()为回归模型表达式，Coordinatedisc为视盘相关信息，Coordinatevessel为血管坐标信息，Coordinatefovea为黄斑中心凹坐标。
例如，回归模型可以为选择多项式回归，则视盘中心黄斑中心凹回归模型的表达式为：
xfovea＝a0+a1xdisc+a2dh+a3dv+a4xvessel+a5xConvergence (1)
yfovea＝b0+b1ydisc+b2dh+b3dv+b4yvessel+b5yConvergence (2)
其中，变量(xdisc,ydisc)为历史视盘中心，dh为历史视盘水平直径，dv为历史视盘竖直直径，(xvessel,yvessel)为历史血管重心坐标，(xConvergence,yConvergence)为历史血管汇集点坐标。(xfovea,yfovea)为历史黄斑中心凹坐标。
可以基于上述信息对公式1、2进行训练，得到a0～a5、以及b0～b5，并最终保存a0～a5、以及b0～b5；将最终得到的a0～a5、以及b0～b5作为训练后的回归模型中的参数。
需要理解的是，上述训练过程中，可以每次采用一张历史眼底图像，对上述公式进行训练；然后再次采用另一张历史眼底图像进行训练，直至最终得到a0～a5、以及b0～b5。进一步地，确定公式1、2中的a0～a5、以及b0～b5是否训练成果的方式，可以为连续N次采用历史眼底图像进行处理时，a0～a5、以及b0～b5不再产生变化，此时就可以确定回归模型训练完成。当然，还可以存在其他的确认回归模型训练成功的方式，只是本实施例中不再穷举。
在另一种实施方式中，图3示出根据本发明实施例的黄斑区识别方法的流程图，所述方法包括：
步骤S11：获取针对目标对象的眼底图像；
步骤S12：从所述眼底图像中，提取血管信息、以及视盘信息；
步骤S13：将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；
步骤S34：基于眼底图像的视盘信息确定黄斑区的半径；将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
本实施例方式中的回归模型为前述实施例训练得到的回归模型，关于具体的训练方式这里不再赘述。
上述步骤S12中，所述从所述眼底图像中，提取血管信息、以及视盘信息，包括：
基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；
从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；
基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
其中，所述视盘中心、视盘水平直径以及视盘竖直直径可以组成视盘信息。另外，所述血管重心坐标、汇集点坐标可以作为血管信息。
关于如何获取视盘中心、视盘水平直径以及视盘竖直直径，可以与前述实施方式中获取历史视盘中心、历史视盘水平直径以及历史视盘竖直直径的方式相同。比如，通过CNN检测算法，可以得到视盘中心坐标，视盘水平直径和竖直直径。
眼底图像中的多条血管可以如图4所示，关于获取血管信息的方法也可以与获取历史血管信息的方式相同，比如，利用CNN语义分割算法，分割眼底图像中的血管的像素，得到像素所对应的位置，基于对应的位置确定血管信息。
与上述训练回归模型的不同在于，本实施例方式中，直接将血管信息以及视盘信息输入到训练后的回归模型中，得到黄斑中心凹的坐标。利用训练得到的模型回归出黄斑中心凹坐标(xfovea,yfovea)。
步骤S34中，基于眼底图像的视盘信息确定黄斑区的半径，可以为：基于视盘信息中的视盘直径确定黄斑区的半径；比如直接将视盘直径作为黄斑区半径。
需要指出的是，视盘直径可以包括有视盘水平直径以及视盘竖直直径，因此，需要首先确定视盘直径。本实施例中确定视盘直径的方式可以包括有以下之一：
将所述视盘水平直径或视盘竖直直径中的最大值，作为所述视盘直径；
计算视盘水平直径以及视盘竖直直径的平均值，将所述平均值作为所述视盘直径；
将视盘水平直径以及视盘竖直直径中任意之一，作为所述视盘直径。
步骤S34中，将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息，可以表示为以(xfovea,yfovea)为中心，ODD表示黄斑区的半径，基于中心点以及黄斑区的半径进行计算得到的圆形区域即黄斑区的感兴趣区域ROI。比如，参见图5，图中右侧示出视盘51，基于前述步骤处理之后得到的黄斑区可以为图中的圆形区域52。
结合图6，本实施例还提供进一步的处理，包括：
步骤S15：基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；
步骤S16：基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
也就是说，还会针对黄斑区的区域位置信息，即圆形区域生成ROI的掩膜(mask)，结合眼底图像提取黄斑区感兴趣区域。
生成掩膜的方式可以为，基于黄斑区的区域位置信息生成的一张图片；所述掩膜的大小(或尺寸)可以与眼底图像相同，并且，设置掩膜中与眼底图像中确定的黄斑区的区域位置信息所对应的区域位置为透明显示、设置掩膜中剩余位置均为非透明显示。
基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像，可以理解为，将所述掩膜覆盖在所述目标对象的眼底图像上之后，眼底图像通过透明显示的区域位置展示的部分图像，即为针对目标对象的眼部的黄斑区。比如参见图7，眼底图像71上覆盖掩膜72，则通过掩膜的透明显示区域得到仅包含有黄斑区的图像73。
本实施例提供的方案也可以应用于具备图像分析及处理功能的设备，比如，可以为终端设备，当然，也可以应用于网络设备。
当方案应用在终端设备的时候，可以通过终端设备上设置的图像采集单元采集针对目标对象的眼底图像，再通过终端设备的处理单元执行前述步骤S11-步骤S14以及步骤S15-步骤S16，最终获取目标对象的眼部的黄斑区的图像。
当方案应用在网络设备的时候，可以接收具备采集单元的终端设备发来的其采集到的针对目标对象的眼底图像，然后由网络设备执行步骤S11-步骤S14；进一步地，当本方案应用在网络侧，可以在执行完成步骤S14以及步骤S15-步骤S16，最终获取目标对象的眼部的黄斑区的图像之后，由网络设备将针对目标对象的眼部的黄斑区的图像发送至终端设备。
结合图8、9，示出一种具体实施方式：获取输入的眼底图像之后，基于眼底图像检测视盘信息，其中包含有视盘水平以及竖直直径，以及视盘中心的位置；基于眼底图像得到血管信息，其中血管信息包含有血管重心坐标、汇集点坐标；将视盘信息以及血管信息输入到训练后的回归模型之后，基于回归模型的输出定位黄斑中心凹的位置信息；再根据黄斑中心凹的位置信息，确定黄斑区的位置信息；根据黄斑区的位置信息生成黄斑区的掩膜；通过掩膜以及眼底图像得到黄斑区的图像；最终输出黄斑区的图像。
计算机辅助诊断黄斑区病变的关键在于从眼底检查影像中提取出黄斑区的感兴趣区域(Region of Interest，ROI)。但黄斑区的定位较为困难，原因在于：黄斑区本身与眼底其他区域没有明确的界线，很难用分割的方式提取黄斑区的ROI；黄斑中心凹在检眼镜下颜色较暗，中心凹处可见反光点，对于中心凹较明显的图像可以利用中心凹的位置，提取黄斑区的ROI，但中心凹易受一些病灶的影响，大部分黄斑区患病的影像难于分辨中心凹具体位置。
本实施例采用上述方案，通过提取目标对象眼底图像中的血管信息以及视盘信息，将血管信息以及视盘信息输入到回归模型并得到黄斑区的中心凹的位置信息，以基于黄斑区中心凹的位置信息确定黄斑区的区域位置信息。如此，就能够根据视盘和血管信息运用回归算法得到黄斑中心凹位置，可以有效避免光照以及病灶损伤对于黄斑区部分的图像质量的影响，准确性更高，增强黄斑区提取算法的鲁棒性。
本发明的再一种实施例提供了一种黄斑区识别装置，如图10所示，包括：
信息获取单元81，用于获取针对目标对象的眼底图像；从所述眼底图像中，提取血管信息、以及视盘信息；
模型处理单元82，用于将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息；
信息识别单元83，用于基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息。
在一种实施方式中，所述模型处理单元82，还用于
获取至少一个历史眼底图像；基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型。
在一种实施方式中，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；
所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
在一种实施方式中，所述信息获取单元81，用于基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
在一种实施方式中，所述信息识别单元83，用于基于眼底图像的视盘信息确定黄斑区的半径；将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
在一种实施方式中，所述装置还包括：
图像提取单元84，用于基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
还需要理解的是，上述装置中的各个单元可以设置在终端设备也可以设置在网络设备中。当装置的各个单元设置在网络设备的时候，网络设备中还可以包括有通信单元，通过通信单元可以接收到至少一张眼底图像，也可以通过通信单元将黄斑区的图像发送至终端设备。
需要说明的是，本发明实施例装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
本实施例通过采用上述方案，通过提取目标对象眼底图像中的血管信息以及视盘信息，将血管信息以及视盘信息输入到回归模型并得到黄斑区的中心凹的位置信息，以基于黄斑区中心凹的位置信息确定黄斑区的区域位置信息。如此，就能够根据视盘和血管信息运用回归算法得到黄斑中心凹位置，可以有效避免光照以及病灶损伤对于黄斑区部分的图像质量的影响，准确性更高，从而增强黄斑区提取算法的鲁棒性。
图11示出根据本发明实施例的黄斑区识别装置的结构框图。如图11所示，包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的方法。所述存储器910和处理器920的数量可以为一个或多个。
该装置/设备/终端/服务器还包括：
通信接口930，用于与外界设备进行通信，进行数据交互传输。
存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种黄斑区识别方法，其特征在于，所述方法包括：
获取针对目标对象的眼底图像；
从所述眼底图像中，提取血管信息、以及视盘信息；
将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息，所述回归模型是通过训练得到的；
基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息；
所述方法还包括：
获取至少一个历史眼底图像；
基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；
将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；
基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型；
所述从所述眼底图像中，提取血管信息、以及视盘信息，包括：
基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；
从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；
基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
2.根据权利要求1所述的方法，其特征在于，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；
所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
3.根据权利要求1所述的方法，其特征在于，所述基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息，包括：
基于眼底图像的视盘信息确定黄斑区的半径；
将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；
基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
5.一种黄斑区识别装置，其特征在于，包括：
信息获取单元，用于获取针对目标对象的眼底图像；从所述眼底图像中，提取血管信息、以及视盘信息；
模型处理单元，用于将所述血管信息以及所述视盘信息作为回归模型的输入参数，得到所述回归模型输出的黄斑中心凹的位置信息，所述回归模型是通过训练得到的；
信息识别单元，用于基于所述黄斑中心凹的位置信息确定所述目标对象的眼部的黄斑区的区域位置信息；
所述模型处理单元，还用于：
获取至少一个历史眼底图像；基于至少一个历史眼底图像，获取历史血管信息、历史视盘信息以及历史黄斑中心凹的位置信息；将所述历史血管信息以及历史视盘信息作为回归模型的训练输入参数，将所述历史黄斑中心凹的位置信息作为回归模型的训练输出参数；基于所述训练输入参数以及训练输出参数对回归模型进行训练，得到训练后的回归模型；
所述信息获取单元，用于基于所述眼底图像，确定视盘中心、视盘水平直径以及视盘竖直直径；从所述眼底图像中，获取至少一条血管的位置信息集合；其中，不同的血管的位置信息集合中包含的位置信息至少部分不同；基于所述至少一条血管的位置信息集合，确定所述至少一条血管所对应的血管重心坐标，以及确定至少一条血管的重叠区域最大的位置的坐标作为汇集点坐标。
6.根据权利要求5所述的装置，其特征在于，所述历史血管信息，包括：历史血管重心坐标，以及至少两条血管的历史汇集点坐标；
所述历史视盘信息，包括：历史视盘中心，历史视盘水平直径，历史视盘竖直直径。
7.根据权利要求5所述的装置，其特征在于，所述信息识别单元，用于基于眼底图像的视盘信息确定黄斑区的半径；将所述黄斑中心凹的位置信息作为中心点，基于所述中心点以及所述黄斑区的半径确定黄斑区的区域位置信息。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述装置还包括：
图像提取单元，用于基于所述目标对象的眼部的黄斑区的区域位置信息，生成掩膜；基于所述掩膜以及所述针对目标对象的眼底图像，得到针对目标对象的眼部的黄斑区所对应的图像。
9.一种黄斑区识别装置，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
CN201910164878.1A 2019-02-19 2019-03-05 一种黄斑区识别方法、装置及计算机可读存储介质 Active CN109784337B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910164878.1A CN109784337B (zh) 2019-03-05 2019-03-05 一种黄斑区识别方法、装置及计算机可读存储介质
US16/698,673 US20200260944A1 (en) 2019-02-19 2019-11-27 Method and device for recognizing macular region, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910164878.1A CN109784337B (zh) 2019-03-05 2019-03-05 一种黄斑区识别方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109784337A CN109784337A (zh) 2019-05-21
CN109784337B true CN109784337B (zh) 2022-02-22

Family

ID=66486203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910164878.1A Active CN109784337B (zh) 2019-02-19 2019-03-05 一种黄斑区识别方法、装置及计算机可读存储介质

Country Status (2)

Country Link
US (1) US20200260944A1 (zh)
CN (1) CN109784337B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648303B (zh) * 2018-06-08 2022-07-26 上海市第六人民医院 眼底图像分析方法、计算机设备和存储介质
CN110211136B (zh) * 2019-06-05 2023-05-02 深圳大学 图像分割模型的构建方法、图像分割方法、装置及介质
CN110363782B (zh) * 2019-06-13 2023-06-16 平安科技（深圳）有限公司 一种基于边缘识别算法的区域识别方法、装置及电子设备
CN110400289B (zh) * 2019-06-26 2023-10-24 平安科技（深圳）有限公司 眼底图像识别方法、装置、设备和存储介质
CN110517248A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 眼底图像的处理、训练方法、装置及其设备
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
CN110555845A (zh) * 2019-09-27 2019-12-10 上海鹰瞳医疗科技有限公司 眼底oct图像识别方法及设备
CN111419173B (zh) * 2020-04-03 2023-06-06 上海鹰瞳医疗科技有限公司 基于眼底图像的黄斑色素密度测量方法及设备
CN111968117B (zh) * 2020-09-25 2023-07-28 北京康夫子健康技术有限公司 重合度检测方法、装置、设备以及存储介质
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
CN112001920B (zh) 2020-10-28 2021-02-05 北京至真互联网技术有限公司 眼底图像识别方法及装置和设备
CN112017187B (zh) * 2020-11-02 2021-02-05 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
CN112991343B (zh) * 2021-04-30 2021-08-13 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
CN113768461B (zh) * 2021-09-14 2024-03-22 北京鹰瞳科技发展股份有限公司 一种眼底图像分析方法、系统和电子设备
CN114864093B (zh) * 2022-07-04 2022-11-01 北京鹰瞳科技发展股份有限公司 基于眼底图像进行疾病预测的装置、方法及存储介质
CN115049734A (zh) * 2022-08-12 2022-09-13 摩尔线程智能科技(北京)有限责任公司 在图像中定位目标物的方法和装置
CN115471552B (zh) * 2022-09-15 2023-07-04 江苏至真健康科技有限公司 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统
CN116309391B (zh) * 2023-02-20 2023-09-05 依未科技(北京)有限公司 图像处理方法及装置、电子设备及存储介质
CN116823828B (zh) * 2023-08-29 2023-12-08 武汉楚精灵医疗科技有限公司 黄斑变性程度参数确定方法、装置、设备及存储介质
CN117635600B (zh) * 2023-12-26 2024-05-17 北京极溯光学科技有限公司 视网膜中央凹的位置确定方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102842136B (zh) * 2012-07-19 2015-08-05 湘潭大学 一种综合血管分布和视盘外观特性的视盘投影定位方法
EP2892414A4 (en) * 2012-09-10 2016-07-06 Univ Oregon Health & Science LOCAL CIRCULATION QUANTIFICATION WITH OCT ANGIOGRAPHY
CN104434026B (zh) * 2014-12-17 2016-08-17 深圳市斯尔顿科技有限公司 视网膜注视点偏离黄斑中心凹的检测方法
CN107729929B (zh) * 2017-09-30 2021-03-19 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN108416344B (zh) * 2017-12-28 2021-09-21 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
CN108717696B (zh) * 2018-05-16 2022-04-22 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109199322B (zh) * 2018-08-31 2020-12-04 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

Also Published As

Publication number Publication date
US20200260944A1 (en) 2020-08-20
CN109784337A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN109784337B (zh) 一种黄斑区识别方法、装置及计算机可读存储介质
KR101977645B1 (ko) 안구영상 분석방법
Haleem et al. Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review
Niemeijer et al. Segmentation of the optic disc, macula and vascular arch in fundus photographs
Patton et al. Retinal image analysis: concepts, applications and potential
Sekhar et al. Automated localisation of retinal optic disk using Hough transform
Abràmoff et al. Retinal imaging and image analysis
Gegundez-Arias et al. Locating the fovea center position in digital fundus images using thresholding and feature extraction techniques
CN109697719B (zh) 一种图像质量评估方法、装置及计算机可读存储介质
Aquino Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features
US11922601B2 (en) Medical image processing apparatus, medical image processing method and computer-readable medium
EP4006833A1 (en) Image processing system and image processing method
CN110870759A (zh) 用于远程眼底筛查的质量控制方法和系统、及存储设备
CN109215039B (zh) 一种基于神经网络的眼底图片的处理方法
US20220319004A1 (en) Automatic vessel analysis from 2d images
CN111402184B (zh) 一种实现远程眼底筛查和健康服务的方法和系统
CN116309235A (zh) 一种针对糖尿病预测的眼底图像的处理方法和系统
JP2006263127A (ja) 眼底画像診断支援システム、及び眼底画像診断支援プログラム
Giancardo Automated fundus images analysis techniques to screen retinal diseases in diabetic patients
RU2683758C1 (ru) Автоматизированная система анализа ангиографических изображений глазного дна человека
US20210133955A1 (en) Image processing method, image processing device, and storage medium
Oloumi et al. Measurement of vessel width in retinal fundus images of preterm infants with plus disease
CN116030042A (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
KR20190141934A (ko) Oct 의료 영상 기반 인공지능 컴퓨터 보조 진단 시스템 및 그 방법
Joshi et al. Fundus image analysis for detection of fovea: A review

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200408

Address after: Room 220, floor 2, building 4, yard 1, Shangdi East Road, Haidian District, Beijing 100085

Applicant after: Beijing Confucius Health Technology Co.,Ltd.

Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer three

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant