CN110298849A - 基于眼底图像的硬性渗出分割方法 - Google Patents
基于眼底图像的硬性渗出分割方法 Download PDFInfo
- Publication number
- CN110298849A CN110298849A CN201910587334.6A CN201910587334A CN110298849A CN 110298849 A CN110298849 A CN 110298849A CN 201910587334 A CN201910587334 A CN 201910587334A CN 110298849 A CN110298849 A CN 110298849A
- Authority
- CN
- China
- Prior art keywords
- image
- exudation
- eye fundus
- hard exudate
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 210000000416 exudates and transudate Anatomy 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000006798 recombination Effects 0.000 claims abstract description 4
- 238000005215 recombination Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 210000003733 optic disk Anatomy 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 6
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 2
- 201000011190 diabetic macular edema Diseases 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 241000950638 Symphysodon discus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- HOQADATXFBOEGG-UHFFFAOYSA-N isofenphos Chemical compound CCOP(=S)(NC(C)C)OC1=CC=CC=C1C(=O)OC(C)C HOQADATXFBOEGG-UHFFFAOYSA-N 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于眼底图像的硬性渗出分割方法，包括：A.输入RGB眼底图像，对G通道的图像进行标准化和归一化处理；B.对处理后的图像进行对比度增强；C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。本发明具有较高的特异性和灵敏度，且不需要事先人为设计目标特征和分类器，能够较大限度地检测出眼底图像中的硬性渗出，较少分割出视盘等非硬性渗出区域，从而辅助眼底医生进行观察和诊断，同时过程简单，计算量小，耗时少。
Description
技术领域
本发明涉及医学图像的处理方法，具体讲是基于眼底图像的硬性渗出分割方法。
背景技术
糖尿病黄斑水肿病变(DME，Diabetic Macular Edema)是糖尿病视网膜病变中后期会出现的病变，它是导致视力损伤和失明的主要原因。DME的主要特征是出现硬性渗出(hard exudates)，它是一种表现为淡黄色的亮色病变，大小不规则，形状不固定，可能出现在视网膜的任何位置。因此，眼底医生常常通过对拍摄的视网膜眼底图像进行观察，人工找出硬性渗出出现的位置、数目等并以此给出相应的诊断和治疗方案。然而，人工找出硬性渗出的位置和统计渗出数目是一项任务量大且费时费力的工作，且又在很大程度上要求眼底医生具备专业熟练的技能，这不适用于在基层偏远地区进行视网膜病变诊断与治疗，因此通过计算机图像处理等技术来检测出糖网图像中的硬性渗出，辅助眼底医生进行观察，并最终由眼底医生给出诊断治疗是一项具有现实意义的工作。
因为眼底图像中存在血管、视盘、视盘纤维等目标的干扰，其与渗出具有相似的亮度、颜色或对比度，有可能被计算机误识别为硬性渗出，所以对硬性渗出的自动分割又是一项具有挑战的工作。近几年，国内外学者开始重视硬性渗出的检测与分割。
基于计算机图像处理技术的硬性渗出的检测方法主要包括基于阈值分割的方法、区域生长法、基于形态学的方法和基于分类器的方法。Sanchez等人提出阈值混合模型来对图像直方图进行处理，从而动态地分割出硬性渗出，但是会存在较多的血管和视神经盘。Sinthanayothin等人提出循环区域生长法来自动检测非增殖性糖尿病视网膜病变的特征，然而该方法计算量较大，耗时久。Walter等人提出通过形态学方法移除视盘，再基于像素值方差来找到硬性渗出的轮廓，并用形态学重建得到硬性渗出区域。相似地，Sopharak等人提出基于形态学的硬性渗出分割方法，该方法首先采用形态学闭操作重建算子移除血管和视盘，再通过H通道和I通道计算出各像素的标准方差以及统计边缘轮廓像素来检测硬性渗出。然而，由于硬性渗出具有大小不规则且亮度不均匀等特征，基于形态学的方法很难选择出合适的参数，且分割精度不高，往往只能分割出部分渗出和其他非渗出目标。基于分类器的方法通过对每个像素或候选连通区域进行特征提取，并用支持向量机、随机森林、神经网络等对其进行分类，来判断是或不是渗出目标。Giancardo等人提出一种基于图像级别的分类方法，对存在渗出和无渗出的图像进行传统特征提取，如颜色、面积等，并用支持向量机对输入图片进行分类。Zhang等人提出一种新颖的预处理方法，该方法不仅可以去除血管和深色病变，还可以去除视盘和血管反光等。然后通过形态学方法提出候选区域，并对各个候选区域进行传统特征提取，如像素值、形状、纹理等，并用随机森林对其进行分类。然而这类方法需要一定领域的专业知识，需要知道提取哪些有效特征以及设计选择合理的分类器，并且检测结果也仍存在较高的误检和漏检。因此，目前基于计算机图像处理技术的硬性渗出检测方法还存在目标特征设计难、检测准确率不高或检测不完全等问题。
发明内容
本发明提供了一种基于眼底图像的硬性渗出分割方法，不需要选择待提取目标的特征，也不需要选择何种分类器，以较大限度地检测出眼底图像中的硬性渗出。
本发明基于眼底图像的硬性渗出分割方法，包括：
A.输入RGB(红、绿、蓝)眼底图像，对G通道(绿色通道)的图像进行标准化和归一化处理；
B.对标准化和归一化处理后的图像进行对比度增强；
C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；
D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；
E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。
进一步的，步骤A中先通过对G通道的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差。在卷积神经网络的训练阶段，此处输入的是一组图像，因此μ和σ分别表示基于这一组图像的均值和方差。再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。在卷积神经网络的训练阶段，此处针对的是每张图像，而不是一组图像。
进一步的，步骤B中对所述图像先进行CLAHE(Contrast Limited AdaptiveHistogram Equalization，对比度受限的自适应直方图均衡)增强，然后再进行gamma校正来增强图像的对比度。
优选的，步骤C中所述卷积神经网络的类型为ID-UNet卷积神经网络。ID-UNet卷积神经网络的基本框架为U-Net卷积神经网络的结构，为了在U-Net卷积神经网络的encoder部分提取到更好的特征，在每一次输入样本前加入相应的Inception结构；同时，考虑到U-Net的卷积层的方形卷积核，在经历多次反卷积回去后仍然是方框，不能真实表达物体的形状。如果卷积核的形状是可以变化的，这样卷积后反卷积回去就可以形成一个物体真实的多边形，更准确的表达物体形状，从而可以更好的进行像素分割和物体检测，因此在原始U-Net网络的基础上引入了deformable卷积如实施例中表1所示。
进一步的，在ID-UNet卷积神经网络的训练阶段，步骤C中通过滑动窗口对增强了对比度的图像随机提取N个块图像，N为自然数；在ID-UNet卷积神经网络的测试和应用阶段，步骤C中通过滑动窗口对增强对比度后的图像提取块图像，并将每个块图像输入ID-UNet卷积神经网络进行语义分割，得到所述的渗出概率图。
进一步的，在ID-UNet卷积神经网络的训练阶段，将提取的N个块图像输入到ID-UNet卷积神经网络中学习参数权重。
进一步的，步骤D包括：对各渗出概率图之间重叠的部分取概率平均值作为最终的渗出概率值，非重叠部分保持原概率值。
本发明基于眼底图像的硬性渗出分割方法，具有较高的特异性和灵敏度，且不需要事先人为设计目标特征和分类器，能够较大限度地检测出眼底图像中的硬性渗出，较少分割出视盘等非硬性渗出区域，从而辅助眼底医生进行观察和诊断，同时过程简单，计算量小，耗时少。
以下结合实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。
附图说明
图1为本发明基于眼底图像的硬性渗出分割方法的流程图。
图2为输入的RGB眼底图像原图。
图3为图2通过本发明得到的渗出概率图。
图4为图3通过本发明得到的渗出分割二值图。
具体实施方式
如图1所示本发明基于眼底图像的硬性渗出分割方法，包括：
A.输入大小为2196×1958的RGB(红、绿、蓝)眼底图像，先通过对G通道(绿色通道)的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差。在卷积神经网络的训练阶段，此处输入的是一组图像，因此μ和σ分别表示基于这一组图像的均值和方差。再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。在卷积神经网络的训练阶段，此处针对的是每张图像，而不是一组图像。
B.对标准化和归一化处理后的图像先进行CLAHE增强(CLAHE为python-opencv工具包中自带的函数)，然后再进行gamma校正来增强图像的对比度，公式为：其中γ＝1.2。
C.在ID-UNet卷积神经网络的训练阶段时，步骤C中通过滑动窗口对增强对比度后的图像随机提取N个patch块图像，本实施例中N＝20000。并将提取的N个patch块图像输入到ID-UNet卷积神经网络中学习参数权重；在ID-UNet卷积神经网络的测试和应用阶段时，步骤C中通过滑动窗口对增强对比度后的图像提取每个patch块图像，测试阶段滑动窗步长为5，参数权重由训练阶段确定。每个patch块图像的大小为48×48。
将提取的所有patch块图像输入ID-UNet卷积神经网络进行语义分割，得到并输出每个patch块图像的渗出概率图。
ID-UNet卷积神经网络的基本框架为U-Net卷积神经网络的结构，为了在U-Net卷积神经网络的encoder部分提取到更好的特征，在每一次输入样本前加入相应的Inception结构；同时，考虑到U-Net的卷积层的方形卷积核，在经历多次反卷积回去后仍然是方框，不能真实表达物体的形状。如果卷积核的形状是可以变化的，这样卷积后反卷积回去就可以形成一个物体真实的多边形，更准确的表达物体形状，从而可以更好的进行像素分割和物体检测，因此在原始U-Net网络的基础上引入了deformable卷积。
ID-Unet卷积神经网络的参数如表1所示：
表1：
D.对所有渗出概率图进行重组。由于不同的patch块图像之间存在重叠，因此对各渗出概率图之间重叠的部分取概率平均值作为最终的渗出概率值，非重叠部分保持原概率值。
E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图，本实施例中阈值为0.2。
Claims (7)
1.基于眼底图像的硬性渗出分割方法，其特征包括：
A.输入RGB眼底图像，对G通道的图像进行标准化和归一化处理；
B.对标准化和归一化处理后的图像进行对比度增强；
C.通过滑动窗口对增强了对比度的图像提取块图像，将提取的块图像输入卷积神经网络进行语义分割，输出每个块图像的渗出概率图；
D.根据各渗出概率图之间的重叠部分对所有渗出概率图进行重组；
E.对重组后渗出概率图的进行阈值分割，输出渗出分割二值图。
2.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤A中先通过对G通道的图像进行标准化处理得到标准化图像其中，μ表示G通道图像的均值，σ表示G通道图像的方差，再通过对标准化图像进行归一化处理得到归一化图像其中和分别为标准化图像的最小值和最大值。
3.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤B中对所述图像先进行CLAHE增强，然后再进行gamma校正来增强图像的对比度。
4.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤C中所述卷积神经网络的类型为ID-UNet卷积神经网络。
5.如权利要求4所述的基于眼底图像的硬性渗出分割方法，其特征为：在ID-UNet卷积神经网络的训练阶段，步骤C中通过滑动窗口对增强了对比度的图像随机提取N个块图像，N为自然数；在ID-UNet卷积神经网络的测试和应用阶段，步骤C中通过滑动窗口对增强对比度后的图像提取块图像，并将每个块图像输入ID-UNet卷积神经网络进行语义分割，得到所述的渗出概率图。
6.如权利要求5所述的基于眼底图像的硬性渗出分割方法，其特征为：在ID-UNet卷积神经网络的训练阶段，将提取的N个块图像输入到ID-UNet卷积神经网络中学习参数权重。
7.如权利要求1所述的基于眼底图像的硬性渗出分割方法，其特征为：步骤D包括：对各渗出概率图之间重叠的部分取概率平均值作为最终的渗出概率值，非重叠部分保持原概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587334.6A CN110298849A (zh) | 2019-07-02 | 2019-07-02 | 基于眼底图像的硬性渗出分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910587334.6A CN110298849A (zh) | 2019-07-02 | 2019-07-02 | 基于眼底图像的硬性渗出分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298849A true CN110298849A (zh) | 2019-10-01 |
Family
ID=68029883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910587334.6A Pending CN110298849A (zh) | 2019-07-02 | 2019-07-02 | 基于眼底图像的硬性渗出分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298849A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111309222A (zh) * | 2019-11-28 | 2020-06-19 | 苏宁金融科技(南京)有限公司 | 一种滑块验证码的滑块缺口定位及拖动轨迹生成方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110170751A1 (en) * | 2008-01-16 | 2011-07-14 | Rami Mangoubi | Systems and methods for detecting retinal abnormalities |
| CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
| US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
| WO2016110917A1 (en) * | 2015-01-07 | 2016-07-14 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method for polarization-sensitive optical coherence tomography |
| CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
| WO2018116321A2 (en) * | 2016-12-21 | 2018-06-28 | Braviithi Technologies Private Limited | Retinal fundus image processing method |
| CN109447962A (zh) * | 2018-10-22 | 2019-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 |
| CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
| CN109523524A (zh) * | 2018-11-07 | 2019-03-26 | 电子科技大学 | 一种基于集成学习的眼底图像硬性渗出检测方法 |
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
-
2019
- 2019-07-02 CN CN201910587334.6A patent/CN110298849A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110170751A1 (en) * | 2008-01-16 | 2011-07-14 | Rami Mangoubi | Systems and methods for detecting retinal abnormalities |
| US20140314288A1 (en) * | 2013-04-17 | 2014-10-23 | Keshab K. Parhi | Method and apparatus to detect lesions of diabetic retinopathy in fundus images |
| CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
| WO2016110917A1 (en) * | 2015-01-07 | 2016-07-14 | Canon Kabushiki Kaisha | Image processing apparatus and image processing method for polarization-sensitive optical coherence tomography |
| WO2018116321A2 (en) * | 2016-12-21 | 2018-06-28 | Braviithi Technologies Private Limited | Retinal fundus image processing method |
| CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
| CN109447962A (zh) * | 2018-10-22 | 2019-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 |
| CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测系统 |
| CN109523524A (zh) * | 2018-11-07 | 2019-03-26 | 电子科技大学 | 一种基于集成学习的眼底图像硬性渗出检测方法 |
| CN109711413A (zh) * | 2018-12-30 | 2019-05-03 | 陕西师范大学 | 基于深度学习的图像语义分割方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIFENG DAI等: "Deformable Convolutional Networks", 《ARXIV》 * |
| 刘丹等: "一种多尺度CNN的图像语义分割算法", 《遥感信息》 * |
| 南洋: "基于深度学习的粗标记胃癌病理切片图像分割算法", 《中国优秀硕士学位论文全文数据库_医药卫生科技辑》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111309222A (zh) * | 2019-11-28 | 2020-06-19 | 苏宁金融科技(南京)有限公司 | 一种滑块验证码的滑块缺口定位及拖动轨迹生成方法 |
| CN111309222B (zh) * | 2019-11-28 | 2021-05-04 | 苏宁金融科技(南京)有限公司 | 一种滑块验证码的滑块缺口定位及拖动轨迹生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106407917B (zh) | 基于动态尺度分配的视网膜血管提取方法及系统 | |
| CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
| CN108564124A (zh) | 一种基于支持向量机的稻瘟病菌孢子显微图像检测识别方法 | |
| CN104680524B (zh) | 一种叶类蔬菜病害诊断方法 | |
| CN107330876A (zh) | 一种基于卷积神经网络的图像自动诊断方法 | |
| CN105320970B (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
| CN106780465A (zh) | 基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法 | |
| CN108629378A (zh) | 图像识别方法和设备 | |
| Xiao et al. | Retinal hemorrhage detection by rule-based and machine learning approach | |
| Salem et al. | Segmentation of retinal blood vessels based on analysis of the hessian matrix and clustering algorithm | |
| CN106570855A (zh) | 猪肉新鲜度快速判定的方法及系统 | |
| CN106846293A (zh) | 图像处理方法和装置 | |
| Wankhede et al. | Retinal blood vessel segmentation using graph cut analysis | |
| CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
| Singh et al. | An efficient automatic method of Optic disc segmentation using region growing technique in retinal images | |
| Qomariah et al. | Exudate detection in retinal fundus images using combination of mathematical morphology and Renyi entropy thresholding | |
| Datta et al. | A new contrast enhancement method of retinal images in diabetic screening system | |
| Hashim et al. | Preprocessing of color retinal fundus images | |
| CN110298849A (zh) | 基于眼底图像的硬性渗出分割方法 | |
| Sharma et al. | Dynamic thresholding technique for detection of hemorrhages in retinal images | |
| CN109410191A (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
| CN106127738B (zh) | 凝集试验判读方法 | |
| Mestre et al. | Monitoring of in-vitro plant cultures using digital image processing and random forests | |
| Yamuna et al. | Detection of abnormalities in retinal images | |
| Wihandika et al. | Retinal blood vessel segmentation with optic disc pixels exclusion |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |