CN109919179A - 微动脉瘤自动检测方法、装置及计算机可读存储介质 - Google Patents
微动脉瘤自动检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109919179A CN109919179A CN201910063699.9A CN201910063699A CN109919179A CN 109919179 A CN109919179 A CN 109919179A CN 201910063699 A CN201910063699 A CN 201910063699A CN 109919179 A CN109919179 A CN 109919179A
- Authority
- CN
- China
- Prior art keywords
- microaneurysm
- image
- fundus
- detection
- retina
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 title abstract 2
- 238000001514 detection method Methods 0.000 claims abstract description 108
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 67
- 210000001508 eye Anatomy 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 29
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 14
- 230000004256 retinal image Effects 0.000 claims abstract description 7
- 208000009857 Microaneurysm Diseases 0.000 claims description 220
- 210000001525 retina Anatomy 0.000 claims description 54
- 230000000877 morphologic effect Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000007797 corrosion Effects 0.000 claims description 20
- 238000005260 corrosion Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 206010028980 Neoplasm Diseases 0.000 abstract 3
- 210000002565 arteriole Anatomy 0.000 abstract 3
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000013136 deep learning model Methods 0.000 description 12
- 206010012601 diabetes mellitus Diseases 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 206010012689 Diabetic retinopathy Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002207 retinal effect Effects 0.000 description 3
- 201000001184 retinal microaneurysm Diseases 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 206010025421 Macule Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004287 retinal location Effects 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种微动脉瘤自动检测方法,该方法包括:采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。本发明还提出一种装置以及一种计算机可读存储介质。本发明可以实现微动脉瘤自动检测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种微动脉瘤自动检测方法、装置及计算机可读存储介质。
背景技术
由国际糖尿病联盟的统计数据显示,全球糖尿病患者已达到3.66亿,中国糖尿病患者,已超过9240万。伴随着对糖尿病研究的不断深入,医学家们发现,由糖尿病引发的眼部并发症(如糖尿病性视网膜病变)的发病率正与日俱增。世界卫生组织的一项调查研究表明,糖尿病视网膜病变是全世界导致视力障碍和失明的主要原因之一,糖尿病患者致盲的可能性是非糖尿病患者的25倍。微动脉瘤是糖尿病视网膜病变的早期标志,如果能对其准确检测,即能够有效评估和抑制病情的发展。
目前,国内外学者针对微动脉瘤的检测提出了多种方法,大致可以分为3类:数学形态学法、滤波器法和监督学习法。Top-hat变换是用于检测微动脉瘤最常见的数学形态学运算,通过消除视网膜图像上所有血管来得到疑似微动脉瘤。但是,为了检测到较大的微动脉瘤,数学形态学法需要增加结构元素的长度,不过这会导致血管分割劣化,以至于在血管上会检测到更多的杂散疑似微动脉瘤。滤波器方通过构建一个合适的核函数来匹配微动脉瘤,如果产生强响应便得到疑似微动脉瘤。常用的滤波器包括多尺度高斯核函数滤波器和高通滤波器等。滤波器法的局限性在于需要设计合适的滤波器匹配微动脉瘤。监督学习法中神经网络和学习字典用于训练分类器,但当样本量比较大时需要较长的训练时间,因此,监督学习法基本上不可行。综合近年来有关视网膜微动脉瘤检测的文献和研究报道,可以看出当前的研究虽然取得了很重要的进展,但是视网膜结构特征之间会相互影响,导致独立分割微动脉瘤易产生假阳性。基于以上所述,本发明提出了基于深度学习的微动脉瘤自动检测系统。
发明内容
本发明提供一种微动脉瘤自动检测方法、装置及计算机可读存储介质,其主要目的在于提供一种实现微动脉瘤自动检测方案。
本发明所述微动脉瘤自动检测包括:
采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;
检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;
利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及
利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
可选地,所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理,包括:
对眼底图像中像素灰度级r作归一化处理,使r被限定为[0,1]范围内;
对所述像素灰度级r执行式①所示的变换,得到输出灰度级S:
其中,pr(w)为图像的灰度级的概率密度函数,w为积分的虚拟变量,将式①变换为式②:
其中,nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数,在直角坐标系中做出rk与Pr(rk)的关系图形称为图像的直方图。
可选地,所述检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本,包括:
对上述得到的数据增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界,其中,所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
其中,Θ表示腐蚀操作,表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界;
检测到视网膜边界后,计算并判断视网膜边界的面积;
若视网膜边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
可选地,所述眼底微动脉瘤检测模型的训练的方法包括:
上下采样法对所述训练样本进行采样,得到数据集;
利用上下采样后的数据集训练深度学习模型,包括:
利用卷积神经网络提取眼底微动脉瘤病灶的特征向量;
针对所述微动脉瘤病灶的特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤特征的图片;
对于有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域。
可选地,所述利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测,包括:
对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底微动脉瘤检测模型得到该图像块是微动脉瘤的概率,统计出概率分布图,判断眼底是否有微动脉瘤,完成自动检测过程。
此外,为实现上述目的,本发明还提供一种装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的微动脉瘤自动检测程序,所述微动脉瘤自动检测程序被所述处理器执行时实现如下步骤:
采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;
检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;
利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及
利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
可选地,所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理,包括:
对眼底图像中像素灰度级r作归一化处理,使r被限定为[0,1]范围内;
对所述像素灰度级r执行式①所示的变换,得到输出灰度级S:
其中,pr(w)为图像的灰度级的概率密度函数,w为积分的虚拟变量,将式①变换为式②:
其中,nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数,在直角坐标系中做出rk与Pr(rk)的关系图形称为图像的直方图。
可选地,所述检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本,包括:
对上述得到的数据增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界,其中,所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
其中,Θ表示腐蚀操作,表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界;
检测到视网膜边界后,计算并判断视网膜边界的面积;
若视网膜边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
可选地,所述眼底微动脉瘤检测模型的训练的方法包括:
上下采样法对所述训练样本进行采样,得到数据集;
利用上下采样后的数据集训练深度学习模型,包括:
利用卷积神经网络提取眼底微动脉瘤病灶的特征向量;
针对所述微动脉瘤病灶的特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤特征的图片;
对于有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有微动脉瘤自动检测程序,所述微动脉瘤自动检测程序可被一个或者多个处理器执行,以实现如上所述的微动脉瘤自动检测方法的步骤。
本发明提出的微动脉瘤自动检测方法、装置及计算机可读存储介质采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。因此,本发明可以实现微动脉瘤自动检测。
附图说明
图1为本发明一实施例提供的微动脉瘤自动检测方法的流程示意图;
图2为本发明一实施例提供的装置的内部结构示意图;
图3为本发明一实施例提供的装置中微动脉瘤自动检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,所述“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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”的特征可以明示或者隐含地包括至少一个该特征。
进一步地,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种微动脉瘤自动检测方法。
详细地,参照图1所示,为本发明一实施例提供的微动脉瘤自动检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
S1、采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作。
本发明较佳实施例使用50度视场(FOV)的数字眼底相机(如Kowa VX-10α)采集眼球的眼底图像,采集的正负样本为1:1,即分别采集有眼底微动脉瘤的人眼的眼底图像和健康人眼的眼底图像,所有眼底图像都要求居中且靠近黄斑。如果数字眼底相机采集的眼球图片非居中且不靠近黄斑,需重新采集。较佳地,本发明使用数字眼底相机采集的眼底图像的分辨率为4288×2848像素,且以jpg文件格式存储在计算机中。本发明较佳实施例中,眼底图像的数量可以是一百张。
为了有效检测人眼视网膜微动脉瘤,为后期模型训练提供更优质的数据,本发明需要对所采集的眼球的眼底图像数据进行增强处理。
优选地,所述增强处理包括增强人眼微动脉瘤及附近区域的像素值。
人眼微动脉瘤是本发明所要检测的图像部分,为了增强该图像部分和附近区域的像素值,本发明首先对眼球的眼底图像数据进行两次自适应的直方图均衡化预处理。其中,直方图均衡化的实现原理如下:假设r代表某幅给定眼底图像中像素灰度级,作归一化处理后,r被限定为[0,1]范围内,令pr(w)为图像的灰度级的概率密度函数,对灰度级执行下式所示的变换,得到输出灰度级S:
其中,w为积分的虚拟变量。但在数字图像中,灰度级是离散的。因此对于离散的灰度级,可将上式变换为下式:
式中nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数。在直角坐标系中做出rk与Pr(rk)的关系图形,即称为图像的直方图。由于自适应直方图均衡化是在直方图均衡化原理的基础上采用局部法对图像进行处理,所以,自适应直方图均衡化可以起到增强人眼微动脉瘤及附近区域的像素亮度值的作用。
S2、检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本。
人眼的构造精密复杂,如何正确的捕捉到微动脉瘤部分至关重要。由于微动脉瘤主要存在于视网膜位置,本发明较佳实施例对上述得到的增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界。
所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
其中,Θ表示腐蚀操作,表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界。
检测到视网膜边界后,计算并判断视网膜边界的面积,若边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
S3、利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练。
对上述制作的训练样本进行上采样和下采样,然后分别放入一个深度学习模型进行训练。在整个训练过程中,深度学习模型主要检查图片是否有微动脉瘤,若有则标记微动脉瘤的位置。
详细地,所述深度学习模型的训练的方法主要包括如下步骤:
1、上下采样法对训练样本进行采样,得到数据集。下采样(subsampled)就是缩小图像,上采样(upsampling)就是放大图像。上下采样是为了提高模型在不同环境下,对微动脉瘤病症的侦测能力。对于一张尺寸为M*N微动脉瘤图像,对其进行s倍下采样,即得到(M/s)*(N/s)尺寸的分辨率图像,s是M和N的公约数。由于微动脉瘤图片是矩阵形式,还需把原始图像按照如下公式,进行像素的均值处理:
Pk=ΣIi/s2
其中,ΣIi代表微动脉瘤图片的像素总和。上采样原理与下采样类似,只不过采用内插值方法,即在原有微动脉瘤像素的基础上,采用内插值算法插入新的像素。
2、利用上下采样后的数据集训练深度学习模型。本发明所述深度学习模型是卷积神经网络模型。本发明使用Fast RCNN(Fast Region-based ConvolutionalNeuralNetworks)算法对微动脉瘤进行检测。Fast RCNN是将卷积神经网络模型应用到目标检测问题上的算法,其通过多任务损失函数边框回归方法实现目标检测问题的转化。
所述利用上下采样后的数据集训练深度学习模型包括:
A、利用卷积神经网络提取眼底微动脉瘤病灶的特征向量。本发明使用的卷积神经网络模型是VGG(Visual Geometry Group),VGG的卷积核较小,是3x3规格,因为使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面相当于是进行了更多的非线性映射,可以增加网络的对微动脉瘤的特征提取能力,卷积层步长设置为1。每层卷积核后紧跟池化层。但本发明只使用VGG模型前13层的卷积层和池化层是提取特征,舍去后面的全连层。
B、针对上一步输出的微动脉瘤特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤的图片。
C、对于含有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域,其中损失函数如下:
L表示预判断的微动脉瘤区域与实际微动脉瘤区域的损失函数。其中yi,j表示数据集预判断的微动脉瘤区域的像素位置,y′i,j表示实际微动脉瘤区域位置,xi,j表示微动脉瘤坐标在(i,j)的像素值,微动瘤特征图片共n个像素,w10和w11用来调节上下采样后样本不平衡的参数。
S4、利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
眼底微动脉瘤检测模型训练好后,本发明将该模型应用于微动脉瘤自动检测中。在检测过程中,本发明对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底微动脉瘤检测模型得到该图像块可能是微动脉瘤的概率,最后统计出概率分布图,判断眼底是否有微动脉瘤,完成自动检测过程。
本发明还提供一种执行微动脉瘤自动检测的装置。参照图2所示,为本发明一实施例提供的装置的内部结构示意图。
在本实施例中,所述装置1可以是智能手机、平板电脑、便携计算机等终端设备,可以是PC(PersonalComputer,个人电脑),也可以是服务器、服务器群组等。该装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是装置1的内部存储单元,例如该装置1的硬盘。存储器11在另一些实施例中也可以是装置1的外部存储设备,例如装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于装置1的应用软件及各类数据,例如微动脉瘤自动检测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行微动脉瘤自动检测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及微动脉瘤自动检测程序01的装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有微动脉瘤自动检测程序01;处理器12执行存储器11中存储的微动脉瘤自动检测程序01时实现如下步骤:
步骤一、采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作。
本发明较佳实施例使用50度视场(FOV)的数字眼底相机(如Kowa VX-10α)采集眼球的眼底图像,采集的正负样本为1:1,即分别采集有眼底微动脉瘤的人眼的眼底图像和健康人眼的眼底图像,所有眼底图像都要求居中且靠近黄斑。如果数字眼底相机采集的眼球图片非居中且不靠近黄斑,需重新采集。较佳地,本发明使用数字眼底相机采集的眼底图像的分辨率为4288×2848像素,且以jpg文件格式存储在计算机中。本发明较佳实施例中,眼底图像的数量可以是一百张。
为了有效检测人眼视网膜微动脉瘤,为后期模型训练提供更优质的数据,本发明需要对所采集的眼球的眼底图像数据进行增强处理。
优选地,所述增强处理包括增强人眼微动脉瘤及附近区域的像素值。
人眼微动脉瘤是本发明所要检测的图像部分,为了增强该图像部分和附近区域的像素值,本发明首先对眼球的眼底图像数据进行两次自适应的直方图均衡化预处理。其中,直方图均衡化的实现原理如下:假设r代表某幅给定眼底图像中像素灰度级,作归一化处理后,r被限定为[0,1]范围内,令pr(w)为图像的灰度级的概率密度函数,对灰度级执行下式所示的变换,得到输出灰度级S:
其中,w为积分的虚拟变量。但在数字图像中,灰度级是离散的。因此对于离散的灰度级,可将上式变换为下式:
式中nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数。在直角坐标系中做出rk与Pr(rk)的关系图形,即称为图像的直方图。由于自适应直方图均衡化是在直方图均衡化原理的基础上采用局部法对图像进行处理,所以,自适应直方图均衡化可以起到增强人眼微动脉瘤及附近区域的像素亮度值的作用。
步骤二、检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本。
人眼的构造精密复杂,如何正确的捕捉到微动脉瘤部分至关重要。由于微动脉瘤主要存在于视网膜位置,本发明较佳实施例对上述得到的增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界。
所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
其中,Θ表示腐蚀操作,表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界。
检测到视网膜边界后,计算并判断视网膜边界的面积,若边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
步骤三、利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练。
对上述制作的训练样本进行上采样和下采样,然后分别放入一个深度学习模型进行训练。在整个训练过程中,深度学习模型主要检查图片是否有微动脉瘤,若有则标记微动脉瘤的位置。
详细地,所述深度学习模型的训练的方法主要包括如下步骤:
1、上下采样法对训练样本进行采样,得到数据集。下采样(subsampled)就是缩小图像,上采样(upsampling)就是放大图像。上下采样是为了提高模型在不同环境下,对微动脉瘤病症的侦测能力。对于一张尺寸为M*N微动脉瘤图像,对其进行s倍下采样,即得到(M/s)*(N/s)尺寸的分辨率图像,s是M和N的公约数。由于微动脉瘤图片是矩阵形式,还需把原始图像按照如下公式,进行像素的均值处理:
Pk=ΣIi/s2
其中,ΣIi代表微动脉瘤图片的像素总和。上采样原理与下采样类似,只不过采用内插值方法,即在原有微动脉瘤像素的基础上,采用内插值算法插入新的像素。
2、利用上下采样后的数据集训练深度学习模型。本发明所述深度学习模型是卷积神经网络模型。本发明使用Fast RCNN(Fast Region-based ConvolutionalNeuralNetworks)算法对微动脉瘤进行检测。Fast RCNN是将卷积神经网络模型应用到目标检测问题上的算法,其通过多任务损失函数边框回归方法实现目标检测问题的转化。
所述利用上下采样后的数据集训练深度学习模型包括:
A、利用卷积神经网络提取眼底微动脉瘤病灶的特征向量。本发明使用的卷积神经网络模型是VGG(Visual Geometry Group),VGG的卷积核较小,是3x3规格,因为使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面相当于是进行了更多的非线性映射,可以增加网络的对微动脉瘤的特征提取能力,卷积层步长设置为1。每层卷积核后紧跟池化层。但本发明只使用VGG模型前13层的卷积层和池化层是提取特征,舍去后面的全连层。
B、针对上一步输出的微动脉瘤特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤的图片。
C、对于含有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域,其中损失函数如下:
L表示预判断的微动脉瘤区域与实际微动脉瘤区域的损失函数。其中yi,j表示数据集预判断的微动脉瘤区域的像素位置,y′i,j表示实际微动脉瘤区域位置,xi,j表示微动脉瘤坐标在(i,j)的像素值,微动瘤特征图片共n个像素,w10和w11用来调节上下采样后样本不平衡的参数。
步骤四、利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
眼底微动脉瘤检测模型训练好后,本发明将该模型应用于微动脉瘤自动检测中。在检测过程中,本发明对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底微动脉瘤检测模型得到该图像块可能是微动脉瘤的概率,最后统计出概率分布图,判断眼底是否有微动脉瘤,完成自动检测过程。
可选地,在本发明实施例中,所述微动脉瘤自动检测程序01还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述微动脉瘤自动检测程序在所述装置中的执行过程。
例如,参照图3所示,为本发明装置一实施例中的微动脉瘤自动检测程序的程序模块示意图,该实施例中,微动脉瘤自动检测程序01可以被分割为数据采集模块10、样本数据制作模块20、模型训练模块30、及微动脉瘤检测模块40。示例性地:
所述数据采集模块10用于:采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作。
本发明所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理,包括:
对眼底图像中像素灰度级r作归一化处理,使r被限定为[0,1]范围内;
对所述像素灰度级r执行式①所示的变换,得到输出灰度级S:
其中,pr(r)为图像的灰度级的概率密度函数,w为积分的虚拟变量,将式①变换为式②:
其中,nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数,在直角坐标系中做出rk与Pr(rk)的关系图形称为图像的直方图。
所述样本数据制作模块20用于:检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本。
优选地,所述检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本,包括:
对上述得到的数据增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界,其中,所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
其中,Θ表示腐蚀操作,表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界;
检测到视网膜边界后,计算并判断视网膜边界的面积;
若视网膜边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
所述模型训练模块30用于:利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练。
可选地,所述眼底微动脉瘤检测模型的训练的方法包括:
上下采样法对所述训练样本进行采样,得到数据集;
利用上下采样后的数据集训练深度学习模型,包括:
利用卷积神经网络提取眼底微动脉瘤病灶的特征向量;
针对所述微动脉瘤病灶的特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤特征的图片;
对于有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域。
所述微动脉瘤检测模块40用于:利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
可选地,所述利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测,包括:
对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底微动脉瘤检测模型得到该图像块可能是微动脉瘤的概率,统计出概率分布图,判断眼底是否有微动脉瘤,完成自动检测过程。
上述数据采集模块10、样本数据制作模块20、模型训练模块30及微动脉瘤检测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有微动脉瘤自动检测程序,所述微动脉瘤自动检测程序可被一个或多个处理器执行,以实现如下操作:
采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;
检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;
利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及
利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
本发明计算机可读存储介质具体实施方式与上述微动脉瘤自动检测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是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,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种微动脉瘤自动检测方法,其特征在于,所述方法包括:
采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;
检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;
利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及
利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
2.如权利要求1所述的微动脉瘤自动检测方法,其特征在于,所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理,包括:
对眼底图像数据中像素灰度级r作归一化处理,使r被限定为[0,1]范围内;
对所述像素灰度级r执行式①所示的变换,得到输出灰度级S:
其中,pr(w)为图像的灰度级的概率密度函数,w为积分的虚拟变量,将式①变换为式②:
其中,nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数,在直角坐标系中做出rk与Pr(rk)的关系图形称为图像的直方图。
3.如权利要求2所述的微动脉瘤自动检测方法,其特征在于,所述检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本,包括:
对上述得到的数据增强处理后的眼底图像数据进行形态学运算,得到视网膜边界,其中,所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
AB=(AΘB)θB
其中,Θ表示腐蚀操作,θ表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界;
检测到视网膜边界后,计算并判断视网膜边界的面积;
若视网膜边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
4.如权利要求1至3中任意一项所述的微动脉瘤自动检测方法,其特征在于,所述眼底微动脉瘤检测模型的训练的方法包括:
上下采样法对所述训练样本进行采样,得到数据集;
利用上下采样后的数据集训练深度学习模型,包括:
利用卷积神经网络提取眼底微动脉瘤病灶的特征向量;
针对所述微动脉瘤病灶的特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤特征的图片;
对于有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域。
5.如权利要求1所述的微动脉瘤自动检测方法,其特征在于,所述利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测,包括:
对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底微动脉瘤检测模型得到该图像块是微动脉瘤的概率,统计出概率分布图,判断眼底是否有微动脉瘤,完成自动检测过程。
6.一种微动脉瘤自动检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的微动脉瘤自动检测程序,所述微动脉瘤自动检测程序被所述处理器执行时实现如下步骤:
采集眼球的眼底图像数据,并对所采集的眼底图像数据执行数据增强处理操作;
检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本;
利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练;及
利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。
7.如权利要求6所述的微动脉瘤自动检测装置,其特征在于,所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理,包括:
对眼底图像中像素灰度级r作归一化处理,使r被限定为[0,1]范围内;
对所述像素灰度级r执行式①所示的变换,得到输出灰度级S:
其中,pr(r)为图像的灰度级的概率密度函数,w为积分的虚拟变量,将式①变换为式②:
其中,nk是图像中出现rk级灰度的像素数,n是图像像素总数,为频数,在直角坐标系中做出rk与Pr(rk)的关系图形称为图像的直方图。
8.如权利要求7所述的微动脉瘤自动检测装置,其特征在于,所述检测所述眼底图像数据中的视网膜图像,制作眼底微动脉瘤检测模型的训练样本,包括:
对上述得到的数据增强处理后的眼底图像数据,进行形态学运算,得到视网膜边界,其中,所述形态学运算包括:
使用Canny算子检测视网膜图像的边缘,使用一个顶栏和底栏闭合的圆形区域,并填充该区域和空洞后进行下式的形态学开运算操作:
AB=(AΘB)θB
其中,Θ表示腐蚀操作,θ表示膨胀操作。利用形态学开运算后,分别得到腐蚀图像A和膨胀图像B,最后腐蚀图像A减去膨胀图像B,即得到视网膜的圆形边界;
检测到视网膜边界后,计算并判断视网膜边界的面积;
若视网膜边界面积大于设定阈值δ,表明边界检测错误,重新采用形态学运算继续检测视网膜边界,直到满足阈值δ为止。
9.如权利要求6至8中任意一项所述的微动脉瘤自动检测装置,其特征在于,所述眼底微动脉瘤检测模型的训练的方法包括:
上下采样法对所述训练样本进行采样,得到数据集;
利用上下采样后的数据集训练深度学习模型,包括:
利用卷积神经网络提取眼底微动脉瘤病灶的特征向量;
针对所述微动脉瘤病灶的特征向量,利用softmax分类进行分类判别,若图片中无微动脉瘤特征向量,则判别为正常眼睛,当检查到微动脉瘤的特征,则标记为有微动脉瘤特征的图片;
对于有微动脉瘤特征的图片,通过多任务损失函数的边框回归方法得到准确的微动脉瘤区域。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有微动脉瘤自动检测程序,所述微动脉瘤自动检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的微动脉瘤自动检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063699.9A CN109919179A (zh) | 2019-01-23 | 2019-01-23 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
PCT/CN2019/088639 WO2020151149A1 (zh) | 2019-01-23 | 2019-05-27 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910063699.9A CN109919179A (zh) | 2019-01-23 | 2019-01-23 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919179A true CN109919179A (zh) | 2019-06-21 |
Family
ID=66960507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910063699.9A Pending CN109919179A (zh) | 2019-01-23 | 2019-01-23 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109919179A (zh) |
WO (1) | WO2020151149A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276802A (zh) * | 2019-06-26 | 2019-09-24 | 湖南大学 | 医学图像中病症组织定位方法、装置与设备 |
CN112308114A (zh) * | 2020-09-24 | 2021-02-02 | 赣州好朋友科技有限公司 | 白钨矿的分选方法、装置和可读存储介质 |
CN113554660A (zh) * | 2020-11-28 | 2021-10-26 | 上海海事大学 | 一种用于检测眼底微动脉瘤的检测方法 |
CN115049655A (zh) * | 2022-08-15 | 2022-09-13 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种小鼠模型视网膜病灶分布分析方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288697B (zh) * | 2020-10-23 | 2023-07-28 | 北京百度网讯科技有限公司 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
CN113706451B (zh) * | 2021-07-07 | 2024-07-12 | 杭州脉流科技有限公司 | 颅内动脉瘤识别检测的方法、装置、系统和计算机可读存储介质 |
CN114445364B (zh) * | 2022-01-25 | 2024-05-07 | 中南大学 | 眼底图像微动脉瘤区域检测方法及其成像方法 |
CN116385984B (zh) * | 2023-06-05 | 2023-09-01 | 武汉理工大学 | 船舶吃水深度的自动检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046693A (zh) * | 2015-06-29 | 2015-11-11 | 嘉兴慧康智能科技有限公司 | 一种眼底图像微动脉瘤自动检测方法 |
CN106355584A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106651899A (zh) * | 2016-12-09 | 2017-05-10 | 东北大学 | 基于Adaboost的眼底图像微动脉瘤检测系统 |
WO2018116321A2 (en) * | 2016-12-21 | 2018-06-28 | Braviithi Technologies Private Limited | Retinal fundus image processing method |
-
2019
- 2019-01-23 CN CN201910063699.9A patent/CN109919179A/zh active Pending
- 2019-05-27 WO PCT/CN2019/088639 patent/WO2020151149A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046693A (zh) * | 2015-06-29 | 2015-11-11 | 嘉兴慧康智能科技有限公司 | 一种眼底图像微动脉瘤自动检测方法 |
CN106355584A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 |
CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
CN106651899A (zh) * | 2016-12-09 | 2017-05-10 | 东北大学 | 基于Adaboost的眼底图像微动脉瘤检测系统 |
WO2018116321A2 (en) * | 2016-12-21 | 2018-06-28 | Braviithi Technologies Private Limited | Retinal fundus image processing method |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276802A (zh) * | 2019-06-26 | 2019-09-24 | 湖南大学 | 医学图像中病症组织定位方法、装置与设备 |
CN112308114A (zh) * | 2020-09-24 | 2021-02-02 | 赣州好朋友科技有限公司 | 白钨矿的分选方法、装置和可读存储介质 |
CN113554660A (zh) * | 2020-11-28 | 2021-10-26 | 上海海事大学 | 一种用于检测眼底微动脉瘤的检测方法 |
CN113554660B (zh) * | 2020-11-28 | 2024-03-12 | 上海海事大学 | 一种用于检测眼底微动脉瘤的检测方法 |
CN115049655A (zh) * | 2022-08-15 | 2022-09-13 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种小鼠模型视网膜病灶分布分析方法 |
US11839428B1 (en) | 2022-08-15 | 2023-12-12 | Joint Shantou International Eye Center of Shantou University and the Chinese University of Hong Kong | Method for analyzing distribution of retinal lesions in mouse model |
Also Published As
Publication number | Publication date |
---|---|
WO2020151149A1 (zh) | 2020-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919179A (zh) | 微动脉瘤自动检测方法、装置及计算机可读存储介质 | |
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US20230036134A1 (en) | Systems and methods for automated processing of retinal images | |
WO2020140370A1 (zh) | 眼底出血点的自动检测方法、装置及计算机可读存储介质 | |
Mayya et al. | Automated microaneurysms detection for early diagnosis of diabetic retinopathy: A Comprehensive review | |
Niemeijer et al. | Image structure clustering for image quality verification of color retina images in diabetic retinopathy screening | |
CN111127425B (zh) | 基于视网膜眼底图像的目标检测定位方法和装置 | |
Odstrcilik et al. | Retinal vessel segmentation by improved matched filtering: evaluation on a new high‐resolution fundus image database | |
Saffarzadeh et al. | Vessel segmentation in retinal images using multi-scale line operator and K-means clustering | |
WO2021082691A1 (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
US20190325215A1 (en) | Methods and apparatuses for image detection, electronic devices and storage media | |
CN109919915B (zh) | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 | |
TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
WO2020019286A1 (zh) | 眼睑下垂检测方法及系统 | |
Wang et al. | Retinal vessel segmentation approach based on corrected morphological transformation and fractal dimension | |
Zubair et al. | Automated detection of optic disc for the analysis of retina using color fundus image | |
CN112927228A (zh) | 图像评估方法和装置、模型训练方法和装置 | |
Biswal et al. | Robust retinal optic disc and optic cup segmentation via stationary wavelet transform and maximum vessel pixel sum | |
Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
WO2019082202A1 (en) | EARTHQUAKE IMAGE QUALITY ASSESSMENT SYSTEM | |
Onkaew et al. | Automatic extraction of retinal vessels based on gradient orientation analysis | |
Mohaimin et al. | Automated method for the detection and segmentation of drusen in colour fundus image for the diagnosis of age‐related macular degeneration | |
CN117274278A (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
Sajadi et al. | A new seeded region growing technique for retinal blood vessels extraction |
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 |