CN110084803B - 基于人类视觉系统的眼底图像质量评估方法 - Google Patents
基于人类视觉系统的眼底图像质量评估方法 Download PDFInfo
- Publication number
- CN110084803B CN110084803B CN201910357643.4A CN201910357643A CN110084803B CN 110084803 B CN110084803 B CN 110084803B CN 201910357643 A CN201910357643 A CN 201910357643A CN 110084803 B CN110084803 B CN 110084803B
- Authority
- CN
- China
- Prior art keywords
- neural network
- image
- fundus
- fundus image
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 14
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims abstract description 6
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000002301 combined effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 208000030533 eye disease Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于人类视觉系统的眼底图像质量评估方法，包括：选取数据集中的一部分眼底图像作为原始数据样本并进行预处理，去除背景部分并提取感兴趣区域部分；计算眼底图像的显著图；利用微调深度神经网络训练卷积神经网络，将自然图像的网络参数迁移到医学图像网络的训练中；提取出眼底图像的特征以及显著图中的显著性特征并进行特征融合；对融合的特征构建出样本的特征矩阵，并利用特征矩阵训练支持向量机分类器，对眼底图像质量进行分类。本发明通过将基于卷积神经网络的监督信息与基于显著图的无监督信息融合，并利用融合信息训练分类器来进行图像质量分类，利用迁移学习原理，使用微调深度卷积神经网络的方法来提高图像质量分类的性能。
Description
技术领域
本发明涉及医学图像处理技术领域，具体涉及基于人类视觉系统的眼底图像质量评估。
背景技术
眼底图像质量评价是眼底图像在临床辅助诊断发展中一个基础性的问题，在自动化眼疾病病变筛查系统中，输入图像的质量对于眼疾病自动筛查诊断结果具有至关重要的作用。自动诊断分析系统要求输入的视网膜眼底图像具有能满足分析要求的最低质量，这样便于提取特征进行后续的诊断要求。然而在实际中由于诸如操作人员专业知识水平、使用的设备类型不同以及患者病情等因素的影响，获取的眼底图像会出现噪声、模糊、畸变以及低照明度等图像质量问题，进而影响后续的眼疾病诊断分析，因此图像质量评估是眼疾病自动筛查系统的重要组成部分。
当前大部分自动诊断算法中，对于图像质量评估所使用的方法几乎都依赖于手工设计特征建模，再进行分类器的构建。例如使用包括形状，颜色，亮度和先验知识等手工特征进行图像质量分类，这些特征基于通用或结构质量参数在新的数据集上泛化能力差，无法应用于较大数据集。另一方面，尽管专家依靠人类视觉系统的能力来识别质量差的眼底图像，并且能够适用于新的数据集中，但是这种评估在实际中带有很大的主观因素。除此之外，目前基于手工特征的方法不能利用人类视觉系统的特点来提高图像质量分类的性能。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供一种基于人类视觉系统的眼底图像质量分类方法，该方法将基于卷积神经网络的监督信息与基于显著图的无监督信息相结合，并利用这两种特征训练分类器进行图像质量分类。使用一种基于全分辨率的显著图，其能够获取与图像质量分类相关的局部以及全局特征。并且在卷积神经网络的学习中，利用迁移学习原理，使用微调深度卷积神经网络的方法来提高图像质量分类的性能。
技术方案：本发明所述基于人类视觉系统的眼底图像质量评估方法，用于图像处理系统，包括如下步骤：
（1）选取Kaggle数据集中部分眼底图像作为原始数据样本，对眼底图像进行预处理，去除图片背景区域中的黑色冗余信息，并对眼底图像的感兴趣区域进行提取，得到去除背景区域的彩色眼底图；
（2）使用一种频率调谐的方法对眼底图像计算显著图，通过合理的设置频率阈值范围来强调整体显著性区域，同时使显著性目标的边界更加明显并且忽略掉一部分干扰噪声；采用多个高斯滤波器的差分联合对显著图进行带通滤波，滤波器输出全分辨率显著图；
（3）构建卷积神经网络模型，采用ImageNet数据集自然图像单独对主神经网络进行训练，通过训练得到的参数对主神经网络进行微调并保存主神经网络模型参数；在保存的主神经网络模型参数中，选取眼底图像质量分类最好的主神经网络模型参数来初始化卷积神经网络中的主神经网络参数部分，余下参数随机初始化；
（4）提取全分辨率显著图中的显著性特征，同时提取眼底图像在卷积神经网络全连接层中的特征参数；分别归一化显著图的显著性特征和卷积神经网络的特征，将两个归一化特征进行融合，通过融合的特征构建特征矩阵；
（5）将特征矩阵送入支持向量机分类器，分类器在特征空间中找到一个超平面，该超平面能够将两类图片的特征向量最优地分开，实现图片质量“可接受的”和“不可接受的”两种情况的最优分类。
进一步完善上述技术方案，所述步骤（1）的预处理操作为：对彩色眼底图像进行灰度变换得到对应的灰度图像，利用最大类间方差法找到灰度图像的最佳阈值，将图像二值化得到掩膜模板，对掩膜模板进行轮廓提取得到包围盒，根据包围盒提取感兴趣区域，得到将背景区域去除的彩色眼底图；将预处理后的图像进行平移、旋转操作对数据进行增广来增加训练数据量。
进一步地，所述步骤（2）中采用频率调谐的方法，取一个非常小的低频阈值强调整体的显著性区域，取一个大的高频阈值使显著性目标的边界更加明显，考虑到减少由纹理，噪声和阻塞伪影带来的高频噪声，高频阈值取值不应太大，此时显著图的频率范围较宽。
进一步地，所述步骤（2）中采用高斯差分滤波器对对显著图进行带通滤波，高斯差分滤波器公式如下：
式中是高斯滤波器的标准差（/>）,高斯滤波器的带通宽度是由标准差/>的比值K决定的，设定一个大的K值得到多个带通滤波器的组合效果。通过将标准差/>设为无穷大，对图像滤波得到图像的均值，使标准差/>取值为一个较小的高斯核，得到去除高频噪声的显著图。
进一步地，所述步骤（3）中采用迁移学习的方法，把ImageNet上训练得到的参数对主神经网络进行微调，选出眼底图像质量评估最好的主神经网络模型参数对卷积神经网络中主神经网络进行初始化，并随机初始化余下参数。
进一步地，所述步骤（3）中卷积神经网络采用ImageNet图像分类任务中的VGG19网络结构，该网络有16个卷积层和3个全连接层，同时使用多个3 QUOTE />3卷积核代替卷积核较大的卷积层，在减少参数的同时进行了更多的非线性映射，增加网络的表达能力。每个卷积层后面连接ReLU层，卷积层后面连接最大池化层，在减少网络参数的同时加快网络的训练速度。网络包含三个全连接层，其中前两个全连接层是由内积ReLU组成，并且使用dropout技术来防止网络的过拟合，最后一个全连接层的输出神经元个数与分类任务的类别种类个数相同，输出神经元个数为2。
进一步地，所述步骤（3）中采用随机梯度下降算法作为卷积神经网络的优化算法；在网络的每一次迭代训练中，不必遍历所有的训练集合，仅仅从样本中随机抽出一个或一组参数对网络参数进行更新。在大样本的情况下，不用训练完所有的样本就可以获得一个损失值在可接收范围之内的模型，加快了网络的训练速度。优化算法应用到网络的训练过程中，用于网络权重的更新，在网络的误差反向传播过程中计算梯度，更新网络参数。
进一步地，所述步骤（3）中卷积神经网络采用Caffe架构实现。Caffe框架可以在GPU下进行加速运算并且效率非常高。在使用Caffe架构实现卷积神经网络时，需要将输入的眼底图像数据转换成Imdb格式来加快数据的读取速度。
进一步地，所述步骤（4）中提取VGG19网络的全连接层特征组成一个4096维的特征向量，同时提取显著图1024维的特征向量，将这两种特征分别归一化后进行连接，融合这两种特征成一个融合的特征向量，送入支持向量机进行图像质量分类。
有益效果：1、在眼底图像质量评估中引入人类视觉系统机制，该方法将基于卷积神经网络的监督信息与基于显著图的无监督信息相结合，不依赖手工特征设计建模，避免了手工设计特征带来的主观性因素，在新的数据集上有很好的泛化能力。
2、使用了一种基于全分辨率的显著图，其能够强调最大的整体显著性区域，获取与图像质量相关的局部以及全局特征，有效地降低了由纹理，噪声和阻塞伪影带来的高频噪声。
3、在网络模型中采用了迁移学习的方法，将ImageNet数据集训练得到的模型应用到眼底图像质量评估任务中，减少了训练深度网络模型需要庞大数据资源和时间的消耗，应用迁移学习在源模型中具有更好的初始性能和融合性能，在训练源模型期间性能的提高速度比其他情况下更快。
附图说明
图1：本发明的实现流程框架图。
图2：眼底图及对应显著图。
图3：眼底图像质量分类结果。
图4：眼底图像质量分类任务ROC曲线图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例1：本发明提供的基于人类视觉系统的眼底图像质量评估方法对眼底图像质量进行分类，具体操作按如下步骤进行：
1、选取数据集；
Kaggle数据集包含80000个糖尿病视网膜病变的图像，图像质量的标签由专业人员标注为两类：0表示质量不可接受的眼底图像，1表示质量可接受的眼底图像。由于在所有图像中不可接受的图像比例非常小，因此从数据集中随机选取3864个原始样本作为训练集，随机选取1200个原始样本作为测试集。其中训练集中包含2092个标签为1的样本和1772个标签为0的样本，测试集中包含582个标签为1的样本和618个标签为0的样本。
2、数据预处理
采用最大类间方差法来选取最佳阈值，对彩色眼底图像进行灰度变换得到对应的灰度图像，利用最大类间方差法找到灰度图像的最佳阈值，将图像二值化得到掩膜模板，对掩膜模板进行轮廓提取，找到面积最大的一个轮廓，根据找到的轮廓提取包围盒，该包围盒为将该轮廓正好包围的矩形，根据包围盒提取感兴趣区域，得到将背景区域去除的前景区域彩色眼底图；将预处理后的图像进行平移、旋转操作对数据进行增广来增加训练数据量。
3、计算显著图特征
采用频率调谐的方法，显著性区域满足如下条件：
(1)强调最大的显著性目标
(2)强调整体显著性区域
(3)具有明确的显著目标边界
(4)不考虑由纹理，噪声和阻塞伪影带来的高频信息
(5)高效的输出全分辨率显著图
设为低频阈值,/>为高频阈值,满足条件1时/>必须非常小,这样同时满足条件2即强调整体显著性区域；此外,为了使显著性目标的边界更加明显，必须保留高频信息即/>的值要大，同时条件4要求忽略掉一部分噪声，所以/>的值不应太大。要满足上述五点要求，我们的显著图的频率范围/>比较宽。这里使用多个高斯滤波器的差分联合作为带通滤波器，高斯差分滤波器公式如下：
式中是高斯滤波器的标准差（/>）,高斯滤波器的带通宽度是由标准差/>的比值K决定的，设/>,则高斯滤波器的差分联合由下式给出：
对于整数,差分高斯滤波器的标准差比值/>,设定一个大的K值得到多个带通滤波器的组合效果。通过将标准差/>设为无穷大，对图像滤波得到图像的均值，使标准差/>取值为一个较小的高斯核，得到去除高频噪声的显著图如下：
QUOTE />是图像在Lab颜色空间下的均值特征向量， QUOTE /> 是原始图像通过高斯模糊（使用5×5的可分二项式核）得到的相应图像像素矢量值，取其像素点的Lab空间的/>，/>表示/>范数用来计算欧式距离（Euclideandistance）。图2是眼底图像及其对应的显著图，在眼底图像质量评价中，依据图像的清晰度、对比度、黄斑及视盘部分在眼底图像上的可视度等因素来判定眼底图像质量的好坏，我们对眼底图像分级为“可接受的”和“不可接受的”两类。
4、训练卷积神经网络
首先使用ImageNet的参数对网络进行初始化，受限于数据量的大小，通过平移、旋转及翻转操作来增加图像的数量，采用误差反向传播算法（随机梯度下降（StochasticGradient Descent，SGD））对网络参数进行修正训练网络，得到最终的分类模型，最后提取网络的第二个全连接层的特征并与显著性特征进行特征融合，最后训练支持向量机（SVM）分类器。眼底图像质量分类结果如图3所示。
5、处理结果分析
本方法使用以下四种性能度量来量化处理结果，分别为：分类准确率（accuracy，ACC）、特异性（specificity，SPE）、敏感性（sensitivity，SEN）和AUC（the area under ROCcurve）值。具体的，分类准确率度量预测真实类标签的有效性，表示正确预测的样本个数占总样本的比例。特异性表示图像质量好的可接受眼底图像被正确分类的比例。敏感性表示图像质量差的不可接受眼底图像被正确分类的比例。AUC值度量在二分类情况下，当随机选取一个样本时，决策函数分配给正样本的得分高于负样本的概率，通常AUC值表示ROC曲线下的面积。
表不同方法在眼底图像质量评价上的分类结果
本方法在准确率、AUC值的各项指标上都取得了极好的结果。具体的，本方法在眼底图像质量分类任务上取得了97.24%的准确率，97.08%的敏感性，97.25%的特异性以及0.993的AUC值，与单独使用CNN特征或单独使用显著图特征进行眼底图像质量分类的方法相比在性能上有明显的提高，进一步展示本发明所提出方法的有效性，图3给出了不同方法的ROC曲线，可以看出本发明提出的方法在ROC表现上依旧取得了最好的结果。
在本实施例中采用3864张经过专业人员标识的眼底图像进行训练，在1200张的测试数据集上达到了97.24%的准确率。实验表明，本发明提出的基于人类视觉系统的眼底图像质量评估具有很好的分类性能。采用以上基于人类视觉系统的眼底图像质量评估方法所建立的分类模型可以对眼底图像质量进行自动分类，且在类别分布不均衡的数据上具有很好的鲁棒性，这在医学领域上具有很重要的意义。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。
Claims (1)
1.基于人类视觉系统的眼底图像质量评估方法，其特征在于，包括如下步骤：
(1)选取Kaggle数据集中部分眼底图像作为原始数据样本，对眼底图像进行预处理，去除图片背景区域中的黑色冗余信息，并对眼底图像的感兴趣区域进行提取，得到去除背景区域的彩色眼底图；
(2)使用一种频率调谐的方法对眼底图像计算显著图，通过合理地设置频率阈值范围来强调整体显著性区域，同时使显著性目标的边界更加明显并且忽略掉一部分干扰噪声；
采用多个高斯滤波器的差分联合对显著图进行带通滤波，滤波器输出全分辨率显著图；
(3)构建卷积神经网络模型，采用ImageNet数据集的自然图像单独对主神经网络进行训练，通过训练得到的参数对主神经网络进行微调并保存主神经网络模型参数；在保存的主神经网络模型参数中，选取眼底图像质量分类性能最好的主神经网络模型参数来初始化卷积神经网络中的主神经网络参数，余下参数随机初始化；
(4)提取全分辨率显著图中的显著性特征，同时提取眼底图像在卷积神经网络全连接层中的特征参数；分别归一化显著图的显著性特征和卷积神经网络的特征，将两个归一化特征进行融合，通过融合的特征构建特征矩阵；
(5)将特征矩阵送入支持向量机分类器，分类器在特征空间中找到一个超平面，该超平面能够将两类图片的特征向量最优地分开，实现图片质量“可接受的”和“不可接受的”两种情况的最优分类，
所述步骤(1)的预处理操作为：对彩色眼底图像进行灰度变换得到对应的灰度图像，利用最大类间方差法找到灰度图像的最佳阈值，将图像二值化得到掩膜模板，对掩膜模板进行轮廓提取得到包围盒，根据包围盒提取感兴趣区域，得到将背景区域去除的彩色眼底图；将预处理后的图像进行平移、旋转操作对数据进行增广来增加训练数据量，
所述步骤(2)中采用频率调谐的方法，取一个非常小的低频阈值和一个较大的高频阈值，强调整体的显著性区域同时忽略部分干扰噪声；采用高斯差分滤波器对显著图进行带通滤波，高斯差分滤波器公式如下：
式中σ1和σ2是高斯滤波器的标准差，且σ1>σ2，高斯滤波器的带通宽度是由标准差σ1和σ2的比值K决定的；设定一个大的K值得到多个带通滤波器的组合效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910357643.4A CN110084803B (zh) | 2019-04-29 | 2019-04-29 | 基于人类视觉系统的眼底图像质量评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910357643.4A CN110084803B (zh) | 2019-04-29 | 2019-04-29 | 基于人类视觉系统的眼底图像质量评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084803A CN110084803A (zh) | 2019-08-02 |
| CN110084803B true CN110084803B (zh) | 2024-02-23 |
Family
ID=67417837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910357643.4A Active CN110084803B (zh) | 2019-04-29 | 2019-04-29 | 基于人类视觉系统的眼底图像质量评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084803B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728666B (zh) * | 2019-10-08 | 2022-08-02 | 中山大学附属第三医院 | 基于数字病理玻片进行慢性鼻窦炎的分型方法及其系统 |
| CN111080574A (zh) * | 2019-11-19 | 2020-04-28 | 天津工业大学 | 一种基于信息熵和视觉注意机制的织物疵点检测方法 |
| CN111080577B (zh) * | 2019-11-27 | 2023-05-26 | 北京至真互联网技术有限公司 | 眼底影像质量评估方法和系统、设备及存储介质 |
| CN111222477B (zh) * | 2020-01-10 | 2023-05-30 | 厦门瑞为信息技术有限公司 | 一种基于视觉的双手离开方向盘检测方法及装置 |
| CN111833334A (zh) * | 2020-07-16 | 2020-10-27 | 上海志唐健康科技有限公司 | 一种基于孪生网络架构的眼底影像特征处理分析方法 |
| CN112070755A (zh) * | 2020-09-14 | 2020-12-11 | 内江师范学院 | 基于深度学习和迁移学习结合的新冠肺炎图像识别方法 |
| CN112233066B (zh) * | 2020-09-16 | 2022-09-27 | 南京理工大学 | 基于梯度类激活图的眼部球结膜图像质量评估方法 |
| CN113052012B (zh) * | 2021-03-08 | 2021-11-19 | 广东技术师范大学 | 一种基于改进d-s证据的眼疾图像识别方法及系统 |
| CN113033758A (zh) * | 2021-03-24 | 2021-06-25 | 北京航空航天大学 | 针对ct图像分类的神经网络性能评价方法及系统 |
| CN113033528A (zh) * | 2021-05-27 | 2021-06-25 | 明品云(北京)数据科技有限公司 | 一种反馈量表评估方法、系统、设备和介质 |
| CN113744167B (zh) * | 2021-09-02 | 2024-04-30 | 厦门美图之家科技有限公司 | 一种图像数据转换方法及装置 |
| CN113887386B (zh) * | 2021-09-29 | 2023-04-28 | 电子科技大学 | 基于深度学习和机器学习的多特征融合的疲劳检测方法 |
| WO2024130628A1 (zh) * | 2022-12-22 | 2024-06-27 | 上海健康医学院 | 一种眼底图像视盘定位方法及系统 |
| CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107330876A (zh) * | 2017-06-12 | 2017-11-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的图像自动诊断方法 |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
-
2019
- 2019-04-29 CN CN201910357643.4A patent/CN110084803B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107330876A (zh) * | 2017-06-12 | 2017-11-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络的图像自动诊断方法 |
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084803A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084803B (zh) | 基于人类视觉系统的眼底图像质量评估方法 | |
| CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| Math et al. | Adaptive machine learning classification for diabetic retinopathy | |
| CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
| Raj et al. | Fundus image quality assessment: survey, challenges, and future scope | |
| CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
| CN111507932B (zh) | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 | |
| WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
| CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
| CN112132817A (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN110472530B (zh) | 基于小波变换和迁移学习的视网膜oct图像分类方法 | |
| Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| CN112288720A (zh) | 一种基于深度学习的彩色眼底图像青光眼筛查方法及系统 | |
| CN110503140B (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
| Zhou et al. | Automatic optic disc detection in color retinal images by local feature spectrum analysis | |
| CN109872337B (zh) | 一种基于快速均值移位的眼底图像视盘分割方法 | |
| Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
| Nage et al. | An intelligent approach for detection and grading of diabetic retinopathy and diabetic macular edema using retinal images | |
| CN113378620A (zh) | 监控视频噪声环境下跨摄像头行人重识别方法 | |
| Daanouni et al. | Automated end-to-end Architecture for Retinal Layers and Fluids Segmentation on OCT B-scans | |
| CN113269756B (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
| CN109978819B (zh) | 一种基于低尺度血管检测分割视网膜血管的方法 | |
| Siddiquee et al. | Optic Disc Segmentation Using Superpixel Based Features and Random Forest Classifier | |
| Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image |
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: 20240122 Address after: Room 206, Building 28, No. 2199 Hongyuan Avenue, Jiangning District, Nanjing City, Jiangsu Province, 210000 Applicant after: Jing Song Country or region after: China Address before: 210046 20th Floor, Building B, Xingzhi Science and Technology Park, Qixia District, Nanjing City, Jiangsu Province Applicant before: Nanjing Starway Intelligent Technology Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: Room 206, Building 28, No. 2199 Hongyun Avenue, Jiangning District, Nanjing City, Jiangsu Province, 210000 Applicant after: Jing Song Address before: Room 206, Building 28, No. 2199 Hongyuan Avenue, Jiangning District, Nanjing City, Jiangsu Province, 210000 Applicant before: Jing Song Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |