CN110021009A - 一种评估眼底图像质量的方法、装置及存储介质 - Google Patents

一种评估眼底图像质量的方法、装置及存储介质 Download PDF

Info

Publication number
CN110021009A
CN110021009A CN201910046569.4A CN201910046569A CN110021009A CN 110021009 A CN110021009 A CN 110021009A CN 201910046569 A CN201910046569 A CN 201910046569A CN 110021009 A CN110021009 A CN 110021009A
Authority
CN
China
Prior art keywords
eye fundus
fundus image
image
disaggregated model
quality
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
CN201910046569.4A
Other languages
English (en)
Other versions
CN110021009B (zh
Inventor
刘莉芬
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910046569.4A priority Critical patent/CN110021009B/zh
Priority to SG11202008279XA priority patent/SG11202008279XA/en
Priority to PCT/CN2019/092671 priority patent/WO2020147263A1/zh
Publication of CN110021009A publication Critical patent/CN110021009A/zh
Application granted granted Critical
Publication of CN110021009B publication Critical patent/CN110021009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (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)
  • Eye Examination Apparatus (AREA)

Abstract

本申请涉及图像检测技术领域，提供一种评估眼底图像质量的方法、装置及存储介质，所述方法包括：获取待处理的眼底图像集合；根据深度学习方法和所述眼底图像集合构建分类模型；获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。通过采用本方案，能够实时反馈眼底图像的采集质量，保证眼底图片质量的稳定性。

Description

一种评估眼底图像质量的方法、装置及存储介质
技术领域
本申请涉及图像检测技术领域，尤其涉及一种评估眼底图像质量的方法、装置及存储介质。
背景技术
随着糖尿病、高血压、青光眼等患者的增多以及眼底筛查工作的开展，采集的眼底图像数量急剧增长，给眼科医疗带来了极大的工作压力。由于清晰的眼底图像是眼底病变自动筛查的先决条件，故需要对眼底图像进行质量评估，目前采用的质量评估方法包括：基于边缘和亮度的面向参考的方法，基于黄斑区域可见血管长度和基于多尺度滤波器组响应的面向无参考的方法，基于椭圆局部血管密度算法、充分考虑图像色彩、亮度、对比度、模糊度等多个特征的综合质量评估方法。
但是以上质量评估方法都是基于DR应用场景来对眼底图像进行质量评估，由于眼底图像中遇到的质量问题主要有：黄斑区域发黑、曝光过度、图像模糊、照相机镜头污点、视盘为中心或者无视盘等，而基于眼底图像的AMD筛查则需要黄斑所在的区域清晰可见，但是现有的质量评估方法无法很好的适用于AMD筛查临床应用场景，也无法满足AMD筛查临床应用场景的实时性。
发明内容
本申请提供了一种评估眼底图像质量的方法、装置及存储介质，能够解决现有技术中质量评估方法的适用性以及实时性都无法满足AMD筛查临床应用场景的问题。
第一方面，本申请提供一种评估眼底图像质量的方法，所述方法包括：
获取待处理的眼底图像集合；
根据深度学习方法和所述眼底图像集合构建分类模型；
获取实时采集的临床病人的眼底图像；
根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；
根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；
若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。
可选的，所述获取待处理的眼底图像集合之后，所述根据深度学习方法和所述眼底图像集合构建分类模型之前，所述方法还包括：
对所述眼底图像集合进行数据清洗，将清洗后的src图像进行图像大小变换到与dst图像相同的大小。
可选的，所述根据深度学习方法和所述眼底图像集合构建分类模型，包括：
选择一个神经网络作为分类模型；
设置输入所述神经网络的图像大小；
对所述眼底图像集合进行预处理，得到训练集和测试集；
使用所述训练集对所述神经网络进行训练；
对于已训练的神经网络，在所述测试集上达到预设的灵敏度和特异性后，选取最佳模型参数，将所述最佳模型参数对应的模型作为所述分类模型。
可选的，所述根据上述分类模型对该眼底图像进行图像切黑边处理，并输入到目标检测网络之前，所述方法还包括：
通过图片质量分类模型过滤所述眼底图像集合中曝光度高于预设曝光度和灰度值高于预设灰度值的眼底图像；
以及通过黄斑区定位和视神经盘定位过滤所述眼底图像集合中无视盘的眼底图像。
可选的，所述根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域，包括：
将所述眼底图像转化为灰度图像，过滤所述眼底图像中的视网膜血管，基于线性算子将所述眼底图像从空间域投影到方向域，根据视神经盘和所述眼底图像的相对大小调整参数，得到所述视盘区域；
以及在对所述眼底图像进行预处理时，利用多尺度方式对所述眼底图像中的视网膜血管进行分割，以标定多个血管末梢点；采用最小二乘法对标定的所述多个血管末梢点进行曲线拟合，得到所述黄斑区域。
可选的，所述获取实时采集的临床病人的眼底图像之后，所述根据所述分类模型确定所述眼底图像质量合格之前，所述方法还包括：
设置至少两个检测区域，以及为黄斑区域和视盘区域设计偏置范围；其中，所述至少两个检测区域包括用于检测黄斑区域和视盘区域的检测框；
根据所述分类模型对所述眼底图像进行质量评估，若所述眼底图像上同时出现黄斑检测框和视盘检测框，则确定所述眼底图像的质量合格。
可选的，所述目标检测网络为yolo网络。
第二方面，本申请提供一种用于评估眼底图像质量的装置，具有实现对应于上述第一方面提供的评估眼底图像质量的的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述装置包括：
输入输出模块，用于获取待处理的眼底图像集合；
处理模块，用于根据深度学习方法和所述眼底图像集合构建分类模型；通过所述输入输出模块获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；
检测模块，用于根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；
若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，通过所述输入输出模块发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。
可选的，在所述输入输出模块获取待处理的眼底图像集合之后，所述处理模块根据深度学习方法和所述眼底图像集合构建分类模型之前，还用于：
对所述眼底图像集合进行数据清洗。
可选的，所述处理模块具体用于：
选择一个神经网络作为分类模型；
设置输入所述神经网络的图像大小；
对所述眼底图像集合进行预处理，得到训练集和测试集；
使用所述训练集对所述神经网络进行训练；
对于已训练的神经网络，在所述测试集上达到预设的灵敏度和特异性后，选取最佳模型参数，将所述最佳模型参数对应的模型作为所述分类模型。
可选的，所述处理模块根据上述分类模型对该眼底图像进行图像切黑边处理，并通过所述输入输出模块输入到目标检测网络之前，还用于：
通过图片质量分类模型过滤所述眼底图像集合中曝光度高于预设曝光度和灰度值高于预设灰度值的眼底图像；
以及通过黄斑区定位和视神经盘定位过滤所述眼底图像集合中无视盘的眼底图像。
可选的，所述检测模块具体用于：
将所述眼底图像转化为灰度图像，过滤所述眼底图像中的视网膜血管，基于线性算子将所述眼底图像从空间域投影到方向域，根据视神经盘和所述眼底图像的相对大小调整参数，得到所述视盘区域；
以及在对所述眼底图像进行预处理时，利用多尺度方式对所述眼底图像中的视网膜血管进行分割，以标定多个血管末梢点；采用最小二乘法对标定的所述多个血管末梢点进行曲线拟合，得到所述黄斑区域。
可选的，在所述输入输出模块获取实时采集的临床病人的眼底图像之后，所述处理模块根据所述分类模型确定所述眼底图像质量合格之前，所述处理模块还用于：
设置至少两个检测区域，以及为黄斑区域和视盘区域设计偏置范围；其中，所述至少两个检测区域包括用于检测黄斑区域和视盘区域的检测框；
根据所述分类模型对所述眼底图像进行质量评估，若所述眼底图像上同时出现黄斑检测框和视盘检测框，则确定所述眼底图像的质量合格。
可选的，所述目标检测网络为yolo网络。
本申请又一方面提供了一种用于评估眼底图像质量的装置，其包括至少一个连接的处理器、存储器和输入输出单元，其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中的程序代码来执行上述各方面所述的方法。
本申请又一方面提供了一种计算机存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
相较于现有技术，本申请提供的方案中，根据深度学习方法和所述眼底图像集合构建分类模型；获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。通过采用本方案，能够实时反馈眼底图像的采集质量，保证眼底图片质量的稳定性。
附图说明
图1为本申请实施例中评估眼底图像质量的方法的一种流程示意图；
图2为本申请实施例中质量合格的眼底图像的一种示意图；
图3为本申请实施例中质量异常的眼底图像的一种示意图；
图4为本申请实施例中待进行质量评估的眼底图像的一种示意图；
图5为本申请实施例中基于分类模型检测后的眼底图像的一种示意图；
图6为本申请实施例中基于上述构建的分类模型和目标检测网络的测试流程示意图；
图7为本申请实施例中测试结果的曲线图；
图8为本申请实施例中用于评估眼底图像质量的装置的一种结构示意图；
图9为本申请实施例中用于评估眼底图像质量的装置的一种结构示意图。
本申请目的的实现、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
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。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”等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，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模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
本申请提供一种评估眼底图像质量的方法、装置及存储介质，用于临床医疗检测。
为解决上述技术问题，本申请主要提供以下技术方案：
基于深度学习和8000张临床眼底图片构建用于眼底图片质量分类的模型，首先利用分类模型过滤掉由于环境因素导致的图像质量问题的眼底图像，然后通过黄斑区定位以及视盘定位过滤掉由于拍摄角度导致的无视盘等角度异常问题的眼底图像。基于以上两点，对拍摄到的眼底图片进行质量控制，当拍摄到质量欠缺的图片时，使用该控制系统可以提醒临床操作医生对图片重新采集，从而保证了眼底图片质量的稳定性，提高后续诊断的准确性。该算法具有良好的敏感度和特异性，能够提高眼底成像的效率和特异性。
其中，深度学习是指一种复制这种密集的神经元网络的方法。通过一次处理多个数据流，计算机能够显著减少处理数据所需的时间。将这种技术应用于深度学习已经产生了人工神经网络。这些人工神经网络由输入节点、输出节点和节点层组成。
输入节点，用于接收数据的输入节点。
输出节点，用于输出结果数据。
节点层，用于将从输入节点输入的数据转换为输出节点可以使用的内容。节点层是指在输入节点和输出节点之间的多个隐藏节点，节点层也可以成为隐藏层。当数据通过这些隐藏节点前进时，神经网络使用逻辑来决定将数据传递给下一个隐藏节点。
参照图1，以下介绍本申请中的一种评估眼底图像质量的方法，所述方法包括：
101、获取待处理的眼底图像集合。
其中，上述眼底图像集合包括多张临床采集的眼底图像。眼底图像包括黄斑区、视神经盘(OD)、视网膜血管、中央凹(fovea)等主要结构的特征。其中，黄斑在眼底图像中为视神经盘颞侧的一块无血管灰色圆形区域。可将该眼底图像集合分割为测试集和训练集。
例如，上述眼底图像集合来自糖网竞赛，从中筛选出4000张左右的正常图像以及4000张左右的质量异常的图像。其中质量异常的情况包括：图像模糊、图像无视盘、图像视盘处于中间、黄斑区发黑、曝光过多以及存在严重病变。
一些实施方式中，为便于构建分类模型，获取待处理的眼底图像集合之后，还可以对收集的眼底图像集合进行数据清洗，将清洗后的src图像进行图像大小变换(resize)到与dst图像同样的大小。其中，src图像是指源图像，dst图像是指目的图像。
102、根据深度学习方法和所述眼底图像集合构建分类模型。
一些实施方式中，所述根据深度学习方法和所述眼底图像集合构建分类模型，包括：
选择一个神经网络作为分类模型；
设置输入所述神经网络的图像大小(例如，设置输入该神经网络的图像大小为256*256)；
对所述眼底图像集合进行预处理，得到训练集和测试集；
使用所述训练集对所述神经网络进行训练；
对于已训练的神经网络，在所述测试集上达到预设的灵敏度和特异性后，选取最佳模型参数，将所述最佳模型参数对应的模型作为所述分类模型。
一些实施方式中，在构建所述分类模型之前，还可以过滤该眼底图像集合中由于环境因素导致有缺陷的眼底图像，以及过滤由于拍摄角度导致无视盘等角度异常的眼底图像。以提高构建分类模型的准确性和精确度，便于对采集的图像质量进行临床实时评估，提高质量评估的准确性和效率。
103、获取实时采集的临床病人的眼底图像。
该眼底图像为临床实时拍摄的图像，该眼底图像可以是一张或两张以上。
104、根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络。
其中，目标检测网络是指将输入图像分成S*S个格子，若某个检测对象的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个检测对象。目标检测网络可以是yolo网络，本申请不对目标检测网络的版本做限定。
一些实施方式中，由于采集的眼底图像可能因环境因素导致有缺陷，以及因拍摄角度导致无视盘等角度会出现异常。因此，在根据上述分类模型对该眼底图像进行图像切黑边处理，并输入到目标检测网络之前，所述方法还包括：
通过图片质量分类模型过滤所述眼底图像集合中曝光度高于预设曝光度和灰度值高于预设灰度值的眼底图像；以及通过黄斑区定位和视神经盘定位过滤所述眼底图像集合中无视盘的眼底图像。例如，在过滤因环境因素导致有缺陷的图像时，可通过图片质量分类模型可以过滤掉这些曝光过多和过暗的图片。
105、根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域。
一些实施方式中，根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域，包括：
(1)将所述眼底图像转化为灰度图像，过滤所述眼底图像中的视网膜血管，基于线性算子将所述眼底图像从空间域投影到方向域，根据视神经盘和所述眼底图像的相对大小调整参数，得到所述视盘区域。
(2)由于黄斑区域没有血管的特征，采用定位视网膜眼底图像黄斑区域的方式，在对所述眼底图像进行预处理时，利用多尺度方式对所述眼底图像中的视网膜血管进行分割，以标定多个血管末梢点。采用最小二乘法对标定的所述多个血管末梢点进行曲线拟合，得到所述黄斑区域。
其中，多尺度方式是指通过二维的图片，估计出三维的信息，是一个逆过程。多尺度方式也可以称为基于多尺度深度网络的单幅图像深度估计。
本申请中，采用最小二乘法进行曲线拟合时，根据给定的m个血管末梢点，不要求这条曲线精确地经过这些血管末梢点，而是曲线y＝f(x)的近似曲线y＝φ(x)。
106、若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息。
其中，所述提示信息用于提醒临床操作用户对所述异常图像所对应的采集部位重新采集。
为便于理解，下面给出一张质量异常、一张质量正常的眼底图像的示意图，便于对比分析或者学习。图2为质量合格的一种眼底图像的示意图，图3为质量异常的一种眼底图像的示意图。当检测出图3所示的眼底图像为质量异常后，立即在检测仪器的显示界面提示当前采集的眼底图像质量异常，需要重新采集。
与现有机制相比，本申请实施例中，根据深度学习方法和所述眼底图像集合构建分类模型；获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。通过采用本方案，能够实时反馈眼底图像的采集质量，保证眼底图片质量的稳定性，还能够为眼底AMD筛查提供初步数据筛选功能，提高AMD筛查的准确率。
可选的，在本申请的一些实施例中，在获取实时采集的临床病人的眼底图像之后，所述根据所述分类模型确定所述眼底图像质量合格之前，所述方法还包括：
设置至少两个检测区域，以及为黄斑区域和视盘区域设计偏置范围；其中，所述至少两个检测区域包括用于检测黄斑区域和视盘区域的检测框；
根据所述分类模型对所述眼底图像进行质量评估，若所述眼底图像上同时出现黄斑检测框和视盘检测框，则确定所述眼底图像的质量合格。
为便于理解，以下以具体的应用场景对本申请中的定位黄斑区域和视盘区域的流程进行举例说明。如图4和图5所示，图4为待进行质量评估的眼底图像，图5为基于分类模型检测后的眼底图像。当目标检测网络检测图4时，若同时出现如图5所示的区域的两个定位框(也可称为检测框)，则判断该图4所示的眼底图像的质量合格。该两个检测框分别为黄斑检测框和视盘检测框。基于该方式检测出质量合格的眼底图像后，该眼底图像中能够清晰的呈现黄斑和视盘的形状、颜色、以及血管，故本申请能够为临床判断人眼的病变状态提供高质量的眼底图像，有利于临床分析。
可选的，在本申请的一些实施例中，由于眼底图像可能会包括黄斑、青光眼、白内障等病变的异常状态，所以需要采集到清晰可见的图像。在步骤105之前，可以通过黄斑区定位和视神经盘定位过滤掉由于拍摄角度导致的无视盘等角度异常的图像。
其中，黄斑区定位是指从眼底图像中定位出黄斑区域，例如，可以根据黄斑区的灰度特征对眼底图像进行图像处理，从眼底图像中定位出黄斑区区域，或者根据黄斑中心凹与视神经盘和血管的相对位置确定黄斑区图像。
一些实施方式中，黄斑区定位可以采用定位视网膜眼底图像黄斑区域的方式，利用黄斑区域没有血管的特征，在对眼底图像预处理的基础上利用多尺度方法对视网膜血管进行分割，进而标定血管末梢点，利用最小二乘法对标定点进行曲线拟合，得到黄斑区域。
视神经盘定位包括图像预处理、双边平滑滤波、模式识别和分类。其中图像预处理可采用Lab亮度投影，用于将眼底图像转化为灰度图像，双边平滑滤波用于过滤到眼底图像中的视网膜血管，模式识别和分类可基于线性算子将原始图像从空间域投影到方向域，以及根据视神经盘和图像的相对大小来调整参数，得到视盘区域。
为便于理解，以下以具体的应用场景对本申请中的评估眼底图像质量的方法进行举例说明。以基于分类模型进行临床测试为例，临床测试时采集的眼底图像集合分为训练集和测试集。
训练集包括：3490张质量合格的眼底图像，以及4220张质量异常的眼底图像。
测试集包括：460张质量合格的眼底图像，以及424张质量异常的眼底图像。
如图6所示的基于上述构建的分类模型和目标检测网络的测试流程示意图，图6中，采集眼底图像集合，Resize眼底图像，根据深度学习方法和眼底图像集合构建分类。若眼底图像质量合格，则基于目标检测网络自动定位黄斑区域和视盘区域，若定位到黄斑区域和视盘区域，则给出检测结果，提示无需重拍；若定位到黄斑区域和视盘区域中的1个或0个，则根据检测结果，提示重拍。若眼底图像质量异常，则根据检测结果，提示重拍，流程结束。
基于图6所示的测试流程中，测试结果如下：
假阳性fpr(1-specificity)：0.07
真阳性tpr(sensitivity)：0.99
测试结果的曲线图如图7所示。
上述各实施例中所提及的各项技术特征也同样适用于本申请中的图8和图9所对应的实施例，后续类似之处不再赘述。
以上对本申请中一种评估眼底图像质量的方法进行说明，以下对执行上述用于评估眼底图像质量的装置进行描述。
如图8所示的一种用于评估眼底图像质量的装置80的结构示意图，其可应用于临床医疗检测。本申请实施例中的装置80能够实现对应于上述图1所对应的实施例中所执行的评估眼底图像质量的方法的步骤。装置80实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述装置80可包括输入输出模块801、处理模块802和检测模块803，所述处理模块302和获取模块301的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。处理模块可用于控制所述获取模块301的收发操作。
一些实施方式中，所述输入输出模块801可用于获取待处理的眼底图像集合；
所述处理模块802可用于根据深度学习方法和所述眼底图像集合构建分类模型；通过所述输入输出模块801获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；
所述检测模块803，用于根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；
若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，通过所述输入输出模块801发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。
本申请实施例中，处理模块802根据深度学习方法和所述眼底图像集合构建分类模型；输入输出模块801获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并通过所述输入输出模块801输入到目标检测网络；根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，图该输入输出模块801发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。通过采用本方案，能够实时反馈眼底图像的采集质量，保证眼底图片质量的稳定性，还能够为眼底AMD筛查提供初步数据筛选功能，提高AMD筛查的准确率。
可选的，在所述输入输出模块801获取待处理的眼底图像集合之后，所述处理模块根据深度学习方法和所述眼底图像集合构建分类模型之前，还用于：
对所述眼底图像集合进行数据清洗。
可选的，所述处理模块802具体用于：
选择一个神经网络作为分类模型；
设置输入所述神经网络的图像大小；
对所述眼底图像集合进行预处理，得到训练集和测试集；
使用所述训练集对所述神经网络进行训练；
对于已训练的神经网络，在所述测试集上达到预设的灵敏度和特异性后，选取最佳模型参数，将所述最佳模型参数对应的模型作为所述分类模型。
可选的，所述处理模块802根据上述分类模型对该眼底图像进行图像切黑边处理，并通过所述输入输出模块输入到目标检测网络之前，还用于：
通过图片质量分类模型过滤所述眼底图像集合中曝光度高于预设曝光度和灰度值高于预设灰度值的眼底图像；
以及通过黄斑区定位和视神经盘定位过滤所述眼底图像集合中无视盘的眼底图像。
可选的，所述检测模块803具体用于：
将所述眼底图像转化为灰度图像，过滤所述眼底图像中的视网膜血管，基于线性算子将所述眼底图像从空间域投影到方向域，根据视神经盘和所述眼底图像的相对大小调整参数，得到所述视盘区域；
以及在对所述眼底图像进行预处理时，利用多尺度方式对所述眼底图像中的视网膜血管进行分割，以标定多个血管末梢点；采用最小二乘法对标定的所述多个血管末梢点进行曲线拟合，得到所述黄斑区域。
可选的，在所述输入输出模块801获取实时采集的临床病人的眼底图像之后，所述处理模块802根据所述分类模型确定所述眼底图像质量合格之前，所述处理模块还用于：
设置至少两个检测区域，以及为黄斑区域和视盘区域设计偏置范围；其中，所述至少两个检测区域包括用于检测黄斑区域和视盘区域的检测框；
根据所述分类模型对所述眼底图像进行质量评估，若所述眼底图像上同时出现黄斑检测框和视盘检测框，则确定所述眼底图像的质量合格。
上面从模块化功能实体的角度分别介绍了本申请实施例中的用于评估眼底图像质量的装置，以下从硬件角度介绍一种用于评估眼底图像质量的装置，如图9所示，其包括：处理器、存储器、输入输出单元以及存储在所述存储器中并可在所述处理器上运行的计算机程序。例如，该计算机程序可以为图1所对应的实施例中评估眼底图像质量的方法对应的程序。例如，当用于评估眼底图像质量的装置实现如图8所示的用于评估眼底图像质量的装置80的功能时，所述处理器执行所述计算机程序时实现上述图8所对应的实施例中由用于评估眼底图像质量的装置80执行的评估眼底图像质量的方法中的各步骤；或者，所述处理器执行所述计算机程序时实现上述图8所对应的实施例的用于评估眼底图像质量的装置80中各模块的功能。又例如，该计算机程序可以为图1所对应的实施例中评估眼底图像质量的方法对应的程序。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述收发器也可以用接收器和发送器代替，可以为相同或者不同的物理实体。为相同的物理实体时，可以统称为收发器。所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。该收发器可以为输入输出单元。
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，本申请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一个存储介质(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请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，这些均属于本申请的保护之内。

Claims (10)

1.一种评估眼底图像质量的方法，其特征在于，所述方法包括：
获取待处理的眼底图像集合；
根据深度学习方法和所述眼底图像集合构建分类模型；
获取实时采集的临床病人的眼底图像；
根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；
根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；
若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。
2.根据权利要求1所述的方法，其特征在于，所述获取待处理的眼底图像集合之后，所述根据深度学习方法和所述眼底图像集合构建分类模型之前，所述方法还包括：
对所述眼底图像集合进行数据清洗。
3.根据权利要求2所述的方法，其特征在于，所述根据深度学习方法和所述眼底图像集合构建分类模型，包括：
选择一个神经网络作为分类模型；
设置输入所述神经网络的图像大小；
对所述眼底图像集合进行预处理，得到训练集和测试集；
使用所述训练集对所述神经网络进行训练；
对于已训练的神经网络，在所述测试集上达到预设的灵敏度和特异性后，选取最佳模型参数，将所述最佳模型参数对应的模型作为所述分类模型。
4.根据权利要求3所述的方法，其特征在于，所述根据上述分类模型对该眼底图像进行图像切黑边处理，并输入到目标检测网络之前，所述方法还包括：
通过图片质量分类模型过滤所述眼底图像集合中曝光度高于预设曝光度和灰度值高于预设灰度值的眼底图像；
以及通过黄斑区定位和视神经盘定位过滤所述眼底图像集合中无视盘的眼底图像。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域，包括：
将所述眼底图像转化为灰度图像，过滤所述眼底图像中的视网膜血管，基于线性算子将所述眼底图像从空间域投影到方向域，根据视神经盘和所述眼底图像的相对大小调整参数，得到所述视盘区域；
以及在对所述眼底图像进行预处理时，利用多尺度方式对所述眼底图像中的视网膜血管进行分割，以标定多个血管末梢点；采用最小二乘法对标定的所述多个血管末梢点进行曲线拟合，得到所述黄斑区域。
6.根据权利要求4或5所述的方法，其特征在于，所述获取实时采集的临床病人的眼底图像之后，所述根据所述分类模型确定所述眼底图像质量合格之前，所述方法还包括：
设置至少两个检测区域，以及为黄斑区域和视盘区域设计偏置范围；其中，所述至少两个检测区域包括用于检测黄斑区域和视盘区域的检测框；
根据所述分类模型对所述眼底图像进行质量评估，若所述眼底图像上同时出现黄斑检测框和视盘检测框，则确定所述眼底图像的质量合格。
7.根据权利要求4所述的方法，其特征在于，所述目标检测网络为yolo网络。
8.一种用于评估眼底图像质量的装置，其特征在于，所述装置包括：
输入输出模块，用于获取待处理的眼底图像集合；
处理模块，用于根据深度学习方法和所述眼底图像集合构建分类模型；通过所述输入输出模块获取实时采集的临床病人的眼底图像；根据所述分类模型确定所述眼底图像质量合格后，根据上述分类模型对所述眼底图像进行图像切黑边处理，并输入到目标检测网络；
检测模块，用于根据所述目标检测网络定位出所述眼底图像中的视盘区域和黄斑区域；
若确定处理后的所述眼底图像中存在质量缺陷的异常图像时，通过所述输入输出模块发出提示信息，所述提示信息用于提醒对所述异常图像所对应的采集部位重新采集。
9.一种用于评估眼底图像质量的装置，其特征在于，所述装置包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器中存储的程序代码来执行如权利要求1-7中任一项所述的方法。
10.一种计算机存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。
CN201910046569.4A 2019-01-18 2019-01-18 一种评估眼底图像质量的方法、装置及存储介质 Active CN110021009B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910046569.4A CN110021009B (zh) 2019-01-18 2019-01-18 一种评估眼底图像质量的方法、装置及存储介质
SG11202008279XA SG11202008279XA (en) 2019-01-18 2019-06-25 Method and device for evaluating quality of fundus image and storage medium
PCT/CN2019/092671 WO2020147263A1 (zh) 2019-01-18 2019-06-25 一种评估眼底图像质量的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910046569.4A CN110021009B (zh) 2019-01-18 2019-01-18 一种评估眼底图像质量的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110021009A true CN110021009A (zh) 2019-07-16
CN110021009B CN110021009B (zh) 2023-07-21

Family

ID=67188786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910046569.4A Active CN110021009B (zh) 2019-01-18 2019-01-18 一种评估眼底图像质量的方法、装置及存储介质

Country Status (3)

Country Link
CN (1) CN110021009B (zh)
SG (1) SG11202008279XA (zh)
WO (1) WO2020147263A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428410A (zh) * 2019-07-31 2019-11-08 腾讯医疗健康(深圳)有限公司 眼底医学图像处理方法、装置、设备及存储介质
CN110766656A (zh) * 2019-09-19 2020-02-07 平安科技（深圳）有限公司 筛查眼底黄斑区异常的方法、装置、设备和存储介质
CN111127425A (zh) * 2019-12-23 2020-05-08 北京至真互联网技术有限公司 基于视网膜眼底图像的目标检测定位方法和装置
CN111161257A (zh) * 2019-12-31 2020-05-15 中山大学中山眼科中心 一种广域眼底图像质量控制的方法及人工智能系统
CN111275682A (zh) * 2020-01-19 2020-06-12 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111311545A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111696083A (zh) * 2020-05-20 2020-09-22 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN112017168A (zh) * 2020-08-25 2020-12-01 北京致远慧图科技有限公司 一种检测视神经纤维层缺损的方法及装置
CN112381821A (zh) * 2020-12-08 2021-02-19 北京青燕祥云科技有限公司 一种智能手持式眼底相机以及图像分析方法
CN112651938A (zh) * 2020-12-24 2021-04-13 平安科技（深圳）有限公司 视盘图像分类模型的训练方法、装置、设备及存储介质
CN113191999A (zh) * 2020-01-29 2021-07-30 载美德有限公司 支持读取眼底图像的方法以及装置、包含该装置的系统
CN114387209A (zh) * 2021-12-03 2022-04-22 依未科技(北京)有限公司 眼底结构特征确定的方法、装置、介质和设备
CN114494734A (zh) * 2022-01-21 2022-05-13 平安科技（深圳）有限公司 基于眼底图像的病变检测方法、装置、设备及存储介质
CN116309391A (zh) * 2023-02-20 2023-06-23 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
CN116687338A (zh) * 2023-08-01 2023-09-05 杭州目乐医疗科技股份有限公司 眼底相机状态检测方法、眼底相机与存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508898A (zh) * 2020-11-30 2021-03-16 北京百度网讯科技有限公司 眼底图像的检测方法、装置及电子设备
CN114119588A (zh) * 2021-12-02 2022-03-01 北京大恒普信医疗技术有限公司 一种训练眼底黄斑病变区域检测模型的方法、装置及系统
CN115423804B (zh) * 2022-11-02 2023-03-21 依未科技(北京)有限公司 影像标定方法及装置、影像处理方法
CN116491893B (zh) * 2023-06-28 2023-09-15 依未科技(北京)有限公司 高度近视眼底改变评估方法及装置、电子设备及存储介质
CN116740203B (zh) * 2023-08-15 2023-11-28 山东理工职业学院 用于眼底相机数据的安全存储方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998043533A1 (en) * 1997-04-01 1998-10-08 Johns Hopkins University A system for imaging an ocular fundus semi-automatically at high resolution and wide field
US20150104087A1 (en) * 2013-10-10 2015-04-16 University Of Rochester Automated Fundus Image Field Detection and Quality Assessment
US20170270653A1 (en) * 2016-03-15 2017-09-21 International Business Machines Corporation Retinal image quality assessment, error identification and automatic quality correction
CN107209933A (zh) * 2014-08-25 2017-09-26 新加坡科技研究局 用于评估视网膜图像以及从视网膜图像获得信息的方法和系统
CN107451998A (zh) * 2017-08-08 2017-12-08 北京大恒普信医疗技术有限公司 一种眼底图像质量控制方法
CN107862678A (zh) * 2017-10-19 2018-03-30 宁波大学 一种眼底图像无参考质量评价方法
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
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
WO2018200840A1 (en) * 2017-04-27 2018-11-01 Retinopathy Answer Limited System and method for automated funduscopic image analysis

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998043533A1 (en) * 1997-04-01 1998-10-08 Johns Hopkins University A system for imaging an ocular fundus semi-automatically at high resolution and wide field
US20150104087A1 (en) * 2013-10-10 2015-04-16 University Of Rochester Automated Fundus Image Field Detection and Quality Assessment
CN107209933A (zh) * 2014-08-25 2017-09-26 新加坡科技研究局 用于评估视网膜图像以及从视网膜图像获得信息的方法和系统
US20170270653A1 (en) * 2016-03-15 2017-09-21 International Business Machines Corporation Retinal image quality assessment, error identification and automatic quality correction
WO2018200840A1 (en) * 2017-04-27 2018-11-01 Retinopathy Answer Limited System and method for automated funduscopic image analysis
CN107451998A (zh) * 2017-08-08 2017-12-08 北京大恒普信医疗技术有限公司 一种眼底图像质量控制方法
CN107862678A (zh) * 2017-10-19 2018-03-30 宁波大学 一种眼底图像无参考质量评价方法
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
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

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428410A (zh) * 2019-07-31 2019-11-08 腾讯医疗健康(深圳)有限公司 眼底医学图像处理方法、装置、设备及存储介质
CN110428410B (zh) * 2019-07-31 2024-02-27 腾讯医疗健康(深圳)有限公司 眼底医学图像处理方法、装置、设备及存储介质
CN110766656A (zh) * 2019-09-19 2020-02-07 平安科技（深圳）有限公司 筛查眼底黄斑区异常的方法、装置、设备和存储介质
CN110766656B (zh) * 2019-09-19 2023-08-11 平安科技（深圳）有限公司 筛查眼底黄斑区异常的方法、装置、设备和存储介质
CN111127425A (zh) * 2019-12-23 2020-05-08 北京至真互联网技术有限公司 基于视网膜眼底图像的目标检测定位方法和装置
CN111127425B (zh) * 2019-12-23 2023-04-28 北京至真互联网技术有限公司 基于视网膜眼底图像的目标检测定位方法和装置
CN111161257A (zh) * 2019-12-31 2020-05-15 中山大学中山眼科中心 一种广域眼底图像质量控制的方法及人工智能系统
CN111275682A (zh) * 2020-01-19 2020-06-12 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN111311545A (zh) * 2020-01-19 2020-06-19 上海箱云物流科技有限公司 集装箱检测方法、装置及计算机可读存储介质
CN113191999A (zh) * 2020-01-29 2021-07-30 载美德有限公司 支持读取眼底图像的方法以及装置、包含该装置的系统
CN111696083A (zh) * 2020-05-20 2020-09-22 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN111696083B (zh) * 2020-05-20 2024-05-14 平安科技（深圳）有限公司 一种图像处理方法、装置、电子设备及存储介质
CN112017168A (zh) * 2020-08-25 2020-12-01 北京致远慧图科技有限公司 一种检测视神经纤维层缺损的方法及装置
CN112381821A (zh) * 2020-12-08 2021-02-19 北京青燕祥云科技有限公司 一种智能手持式眼底相机以及图像分析方法
CN112651938A (zh) * 2020-12-24 2021-04-13 平安科技（深圳）有限公司 视盘图像分类模型的训练方法、装置、设备及存储介质
WO2022134362A1 (zh) * 2020-12-24 2022-06-30 平安科技（深圳）有限公司 视盘图像分类模型的训练方法、装置、设备及存储介质
CN112651938B (zh) * 2020-12-24 2023-12-19 平安科技（深圳）有限公司 视盘图像分类模型的训练方法、装置、设备及存储介质
CN114387209A (zh) * 2021-12-03 2022-04-22 依未科技(北京)有限公司 眼底结构特征确定的方法、装置、介质和设备
CN114494734A (zh) * 2022-01-21 2022-05-13 平安科技（深圳）有限公司 基于眼底图像的病变检测方法、装置、设备及存储介质
WO2023137904A1 (zh) * 2022-01-21 2023-07-27 平安科技（深圳）有限公司 基于眼底图像的病变检测方法、装置、设备及存储介质
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
CN116309391A (zh) * 2023-02-20 2023-06-23 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
CN116687338B (zh) * 2023-08-01 2023-11-03 杭州目乐医疗科技股份有限公司 眼底相机状态检测方法、眼底相机与存储介质
CN116687338A (zh) * 2023-08-01 2023-09-05 杭州目乐医疗科技股份有限公司 眼底相机状态检测方法、眼底相机与存储介质

Also Published As

Publication number Publication date
WO2020147263A1 (zh) 2020-07-23
CN110021009B (zh) 2023-07-21
SG11202008279XA (en) 2020-09-29

Similar Documents

Publication Publication Date Title
CN110021009A (zh) 一种评估眼底图像质量的方法、装置及存储介质
Patton et al. Retinal image analysis: concepts, applications and potential
WO2019240257A1 (ja) 医用画像処理装置、医用画像処理方法及びプログラム
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
Hood et al. Detecting glaucoma with only OCT: Implications for the clinic, research, screening, and AI development
JP6907563B2 (ja) 画像処理装置、および画像処理プログラム
CN102626305B (zh) 图像处理设备和图像处理方法
JP6878923B2 (ja) 画像処理装置、画像処理システム、および画像処理プログラム
CN105395163B (zh) 眼科设备和眼科设备的控制方法
CN108596895A (zh) 基于机器学习的眼底图像检测方法、装置及系统
CN111134727B (zh) 基于神经网络的静脉与动脉识别的穿刺引导系统
CN109697719A (zh) 一种图像质量评估方法、装置及计算机可读存储介质
CN110766656B (zh) 筛查眼底黄斑区异常的方法、装置、设备和存储介质
CN104102899B (zh) 视网膜血管识别方法及装置
CN109961848A (zh) 黄斑图像分类方法和设备
WO2021106967A1 (ja) 眼底画像処理装置および眼底画像処理プログラム
CN109087310A (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
WO2021132307A1 (ja) 眼科画像処理方法、眼科画像処理装置及び眼科画像処理プログラム
JP2010075354A (ja) 毛細血管血流測定装置、毛細血管血流測定方法およびプログラム
CN111145137A (zh) 基于神经网络的静脉与动脉识别方法
JP2019208851A (ja) 眼底画像処理装置および眼底画像処理プログラム
JP7254682B2 (ja) 画像処理装置、画像処理方法、及びプログラム
EP3129955B1 (en) Method for the analysis of image data representing a three-dimensional volume of biological tissue
CN109599166A (zh) 基于深度学习的睑板腺红外图像辅助识别系统及方法

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
GR01 Patent grant
GR01 Patent grant