CN110378333A - 一种sd-oct图像黄斑中央凹中心定位方法 - Google Patents
一种sd-oct图像黄斑中央凹中心定位方法 Download PDFInfo
- Publication number
- CN110378333A CN110378333A CN201910516142.6A CN201910516142A CN110378333A CN 110378333 A CN110378333 A CN 110378333A CN 201910516142 A CN201910516142 A CN 201910516142A CN 110378333 A CN110378333 A CN 110378333A
- Authority
- CN
- China
- Prior art keywords
- central fovea
- center
- region
- area
- oct image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 210000000873 fovea centralis Anatomy 0.000 title abstract 2
- 230000002207 retinal effect Effects 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 210000002189 macula lutea Anatomy 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000012528 membrane Substances 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 210000001525 retina Anatomy 0.000 abstract description 11
- 238000012014 optical coherence tomography Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025415 Macular oedema Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010230 macular retinal edema Diseases 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
Classifications
-
- 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
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- 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
- A61B3/103—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining refraction, e.g. refractometers, skiascopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种SD‑OCT图像黄斑中央凹中心定位方法,包括以下内容:分割SD‑OCT图像的内界膜层和布鲁赫膜层;提取内界膜层与布鲁赫膜层之间的每一列像素作为特征;训练随机森林分类器分割中央凹无血管区,计算中央凹无血管区的几何中心位置作为黄斑中央凹的粗略中心位置P1;以P1为中心的一定范围内生成视网膜厚度图像;判断这一区域的视网膜是否属于凹陷的,若属于,厚度最小值处的位置为新的中央凹中心位置P2;若不属于,P2仍为P1的位置;在位置P2周围搜索中央凹高反射区域,若存在高反射区域,则高反射区域中心位置为最终的中央凹中心位置P3,反之,P3仍为P2的位置。相比于以往只根据视网膜厚度变化进行定位的方法,本发明的鲁棒性和精度都有很大的提升。
Description
技术领域
本发明属于视网膜图像分析领域,特别是一种频域光学相干断层成像(SD-OCT)图像黄斑中央凹中心定位方法。
背景技术
SD-OCT是一种快速、非侵入式的频域光学相干断层成像技术,已经成为眼科日常诊疗标准的一部分。视网膜黄斑区是SD-OCT主要的成像区域,而黄斑中央凹中心是视网膜黄斑区最为重要的标志物,是视网膜上对视觉最为敏锐的区域。以黄斑中央凹中心为基准生成厚度网格图是视网膜病变早期治疗研究的重要工具。因此黄斑中央凹中心的定位是具有重要意义的基础性工作。
现有的技术主要根据视网膜层结构的汇聚和视网膜厚度变薄的特性,这些算法需要依赖多层视网膜层分割算法,而这些层分割算法对存在疾病的视网膜的鲁棒性较差,特别是在视网膜水肿等疾病情况下黄斑中央凹中心的位置将不再是视网膜厚度的最小值处,因此这些中央凹算法也将失效。
发明内容
本发明的目的在于提供一种在频域光学相干断层成像(SD-OCT)图像中鲁棒定位黄斑中央凹中心的方法。
实现本发明目的的技术解决方案为:一种SD-OCT图像黄斑中央凹中心定位方法,包括以下步骤:
步骤1、采集SD-OCT图像,并利用层分割算法分割内界膜层和布鲁赫膜层;
步骤2、提取SD-OCT图像中每张二维图像中内界膜层与布鲁赫膜层之间的像素,并均逐列拉伸为维度为n的特征向量;
步骤3、针对所述特征向量生成其对应的无血管区标签;
步骤4、根据所述特征向量和无血管区标签,利用分类器训练获得FAZ分类模型,之后根据所述FAZ分类模型获得FAZ区域的分割结果;
步骤5、求取分割得到的FAZ区域的几何中心并将其作为初始黄斑中央凹中心位置P1;
步骤6、以P1为中心,提取矩形区域作为感兴趣区域,并求取该感兴趣区域的视网膜厚度图;
步骤7、训练用于凹陷检测的分类器,对所述视网膜厚度图进行分类,将视网膜厚度图分为凹陷类和非凹陷类;
步骤8、针对凹陷类的视网膜厚度图,获取厚度最小值处的位置并将其作为新的中央凹中心位置P2;针对非凹陷类的视网膜厚度图,新的中央凹中心位置P2仍为P1的位置;
步骤9、在位置P2周围搜索中央凹高反射区域,若存在高反射区域,则定位高反射区域中心位置为最终的中央凹中心位置P3,若无高反射区域,则最终的中央凹中心位置P3仍为P2的位置。
本发明与现有技术相比,其显著优点为:1)本发明首次利用中央凹无血管区作为中央凹中心定位的限制因素,能够使该方法对存在水肿等疾病的视网膜有一定的适应性;2)本发明首次采用半自动方式生成无血管区标签对分割任务进行弱监督学习,可以减少人工标记训练样本的劳动量;3)本发明首次利用中央凹中心的高反射特性对定位结果进行纠正,可以提高定位的精度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明SD-OCT图像黄斑中央凹中心定位方法的流程图。
图2为本发明实施例中根据手工标记的中央凹中心自动生成无血管区正负样本区域示意图。其中,图(a)为正负样本区域在OCT投影图像的位置示意图,图(b)为一张SD-OCT切片中提取正负样本区域灰度特征的示意图。
图3为本发明实施例中随机森林分类器预测得到的无血管区概率图。
图4为本发明实施例中随机森林分类器预测得到的无血管区分割结果及所求得的中央凹中心位置P1示意图。
图5为本发明实施例中训练随机森林分类器进行凹陷检测分类获得的凹陷类的厚度图及所求得的中央凹中心位置P2示意图。
图6为本发明实施例中在中央凹中心P2附近通过滑动窗口检测中央凹高反射图示意图及所求得的中央凹中心位置P3示意图。
图7为本发明实施例中SD-OCT图像黄斑中央凹中心定位结果示意图。
具体实施方式
结合图1,一种SD-OCT图像黄斑中央凹中心定位方法,包括以下步骤:
步骤1、采集SD-OCT图像,并利用层分割算法分割内界膜层和布鲁赫膜层;
步骤2、提取SD-OCT图像中每张二维图像中内界膜层与布鲁赫膜层之间的像素,并均逐列拉伸为维度为n的特征向量;
步骤3、针对所述特征向量生成其对应的无血管区标签;
步骤4、根据所述特征向量和无血管区标签,利用分类器训练获得FAZ分类模型,之后根据所述FAZ分类模型获得FAZ区域的分割结果;
步骤5、求取分割得到的FAZ区域的几何中心并将其作为初始黄斑中央凹中心位置P1;
步骤6、以P1为中心,提取矩形区域作为感兴趣区域,并求取该感兴趣区域的视网膜厚度图;
步骤7、训练用于凹陷检测的分类器,对所述视网膜厚度图进行分类,将视网膜厚度图分为凹陷类和非凹陷类;
步骤8、针对凹陷类的视网膜厚度图,获取厚度最小值处的位置并将其作为新的中央凹中心位置P2;针对非凹陷类的视网膜厚度图,新的中央凹中心位置P2仍为P1的位置;
步骤9、在位置P2周围搜索中央凹高反射区域,若存在高反射区域,则定位高反射区域中心位置为最终的中央凹中心位置P3,若无高反射区域,则最终的中央凹中心位置P3仍为P2的位置。
进一步优选地,步骤2中将内界膜层与布鲁赫膜层之间的像素逐列拉伸为维度为n的特征向量,具体采用双线性差值法进行拉伸。
示例性优选地,上述n为150像素。
进一步地,步骤3中针对特征向量生成其对应的无血管区标签,具体为:利用半自动的无血管区FAZ标签生成方法生成所述特征向量对应的无血管区标签,具体为:
手工标记中央凹中心作为金标准,其位置记为O,将无血管区定义为以中央凹中心O为中心,以r0为半径的圆形区域;
将以O为圆心,以r1为半径的圆形区域作为正样本区域,该区域对应的标签值为1;以O为圆心,以r2为半径的圆形区域,该区域外部作为负样本区域,该区域对应的标签值为0;其中,r1<r0<r2。
示例性优选地,上述r0=0.25mm,r1=0.15mm,r2=0.41mm。
示例性优选地,步骤4、步骤7的分类器具体采用随机森林分类器。
进一步地,步骤5中求取分割得到的FAZ区域的几何中心,所用公式为:
式中,xi和yi分别表示第i个正样本的横坐标和纵坐标,n+表示正样本的数量,xp和yp分别为FAZ区域几何中心的横、纵坐标。
进一步地,步骤6中求取该感兴趣区域的视网膜厚度图,具体为:
Thickness(x,y)={BM(x,y)-ILM(x,y)|(x,y)∈γ}
式中,BM(x,y)为坐标(x,y)处布鲁赫膜层所在位置,ILM(x,y)为坐标(x,y)处内界膜层所在位置,γ为感兴趣区域,Thickness(x,y)为感兴趣区域中坐标(x,y)处的视网膜厚度图。
示例性优选地,步骤6中以P1为中心,提取矩形区域作为感兴趣区域,具体为:以P1为中心,提取以128像素为边长的矩形区域作为感兴趣区域。
进一步地,步骤9中在位置P2周围搜索中央凹高反射区域,具体为:利用滑动窗口方法在以P2为中心的w×h区域内搜索光密度大于阈值q的区域即高反射区域,其中光密度的计算公式为:
式中,Gi为w×h区域内第i个像素点的灰度值,Gcube为整个OCT三维数据的灰度矩阵。
示例性优选地,上述滑动窗口方法的滑动窗口为3×3,w×h=25×18,q=0.61。
下面结合实施例对本发明作进一步详细的描述。
实施例
本发明以SD-OCT视网膜三维数据为输入,采用随机森林分类器结合临床经验对SD-OCT视网膜图像黄斑中央凹中心进行定位。
本实施例通过SD-OCT成像设备采集SD-OCT视网膜体数据,三维数据的像素尺寸大小为1024像素×512像素×128像素。本实施例采集了700个SD-OCT体数据,其中500个体数据用作训练集训练随机森林模型。
结合图2,手工标记训练数据的黄斑中央凹中心位置,作为金标准,其位置记为O,将无血管区定义为以中央凹中心O为中心,以r0=0.25mm为半径的圆形区域;将以O为圆心,以r1=0.15mm为半径的圆形区域作为正样本区域,该区域对应的标签值为1;以O为圆心,以r2=0.41mm为半径的圆形区域,该区域外部作为负样本区域,该区域对应的标签值为0。
按步骤4训练用于无血管区分类的随机森林分类器,将测试图像输入分类器进行分类,获得如图3所示的分割结果。
根据步骤5求解无血管区几何中心,将其位置标记为P1,如图4所示。
按步骤6的过程提取矩形区域生成厚度图,并按步骤7训练用于凹陷检测的随机森林分类器,将测试图像输入分类器,获得其类别为凹陷类图像,则求解厚度最小值位置作为中央凹位置P2,如图5所示。
结合图6,在P2周围寻找中央凹高反射区域,定位高反射区域的中心即为最终的黄斑中央凹中心位置P3,定位结果如图7中的竖线所示。
本发明首先分割了中央凹无血管区,以此粗略确定中央凹中心位置,由于无血管区和中央凹位置的稳定联系,使得该方法具有很强的鲁棒性。视网膜厚度变化和中央凹高反射等特征也被考虑在算法中,进一步提高了算法的定位精度,相比于以往只根据视网膜厚度变化进行定位的方法,在鲁棒性和精度上都有很大的提升。
Claims (10)
1.一种SD-OCT图像黄斑中央凹中心定位方法,其特征在于,包括以下步骤:
步骤1、采集SD-OCT图像,并利用层分割算法分割内界膜层和布鲁赫膜层;
步骤2、提取SD-OCT图像中每张二维图像中内界膜层与布鲁赫膜层之间的像素,并均逐列拉伸为维度为n的特征向量;
步骤3、针对所述特征向量生成其对应的无血管区标签;
步骤4、根据所述特征向量和无血管区标签,利用分类器训练获得FAZ分类模型,之后根据所述FAZ分类模型获得FAZ区域的分割结果;
步骤5、求取分割得到的FAZ区域的几何中心并将其作为初始黄斑中央凹中心位置P1;
步骤6、以P1为中心,提取矩形区域作为感兴趣区域,并求取该感兴趣区域的视网膜厚度图;
步骤7、训练用于凹陷检测的分类器,对所述视网膜厚度图进行分类,将视网膜厚度图分为凹陷类和非凹陷类;
步骤8、针对凹陷类的视网膜厚度图,获取厚度最小值处的位置并将其作为新的中央凹中心位置P2;针对非凹陷类的视网膜厚度图,新的中央凹中心位置P2仍为P1的位置;
步骤9、在位置P2周围搜索中央凹高反射区域,若存在高反射区域,则定位高反射区域中心位置为最终的中央凹中心位置P3,若无高反射区域,则最终的中央凹中心位置P3仍为P2的位置。
2.根据权利要求1所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤2所述将内界膜层与布鲁赫膜层之间的像素逐列拉伸为维度为n的特征向量,具体采用双线性差值法进行拉伸;所述n为150像素。
3.根据权利要求1或2所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤3所述针对特征向量生成其对应的无血管区标签,具体为:利用半自动的无血管区FAZ标签生成方法生成所述特征向量对应的无血管区标签,具体为:
手工标记中央凹中心作为金标准,其位置记为O,将无血管区定义为以中央凹中心O为中心,以r0为半径的圆形区域;
将以O为圆心,以r1为半径的圆形区域作为正样本区域,该区域对应的标签值为1;以O为圆心,以r2为半径的圆形区域,该区域外部作为负样本区域,该区域对应的标签值为0;其中,r1<r0<r2。
4.根据权利要求3所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,所述r0=0.25mm,r1=0.15mm,r2=0.41mm。
5.根据权利要求1所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤4、步骤7所述分类器具体采用随机森林分类器。
6.根据权利要求1所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤5所述求取分割得到的FAZ区域的几何中心,所用公式为:
式中,xi和yi分别表示第i个正样本的横坐标和纵坐标,n+表示正样本的数量,xp和yp分别为FAZ区域几何中心的横、纵坐标。
7.根据权利要求1所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤6所述求取该感兴趣区域的视网膜厚度图,具体为:
Thickness(x,y)={BM(x,y)-ILM(x,y)|(x,y)∈γ}
式中,BM(x,y)为坐标(x,y)处布鲁赫膜层所在位置,ILM(x,y)为坐标(x,y)处内界膜层所在位置,γ为感兴趣区域,Thickness(x,y)为感兴趣区域中坐标(x,y)处的视网膜厚度图。
8.根据权利要求1或7所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤6所述以P1为中心,提取矩形区域作为感兴趣区域,具体为:以P1为中心,提取以128像素为边长的矩形区域作为感兴趣区域。
9.根据权利要求1所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,步骤9所述在位置P2周围搜索中央凹高反射区域,具体为:利用滑动窗口方法在以P2为中心的w×h区域内搜索光密度大于阈值q的区域即高反射区域,其中光密度的计算公式为:
式中,Gi为w×h区域内第i个像素点的灰度值,Gcube为整个OCT三维数据的灰度矩阵。
10.根据权利要求9所述的SD-OCT图像黄斑中央凹中心定位方法,其特征在于,所述滑动窗口方法的滑动窗口为3×3,w×h=25×18,q=0.61。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516142.6A CN110378333B (zh) | 2019-06-14 | 2019-06-14 | 一种sd-oct图像黄斑中央凹中心定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910516142.6A CN110378333B (zh) | 2019-06-14 | 2019-06-14 | 一种sd-oct图像黄斑中央凹中心定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378333A true CN110378333A (zh) | 2019-10-25 |
CN110378333B CN110378333B (zh) | 2022-09-06 |
Family
ID=68250339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910516142.6A Active CN110378333B (zh) | 2019-06-14 | 2019-06-14 | 一种sd-oct图像黄斑中央凹中心定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378333B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292311A (zh) * | 2020-02-17 | 2020-06-16 | 南京理工大学 | 基于octa视网膜图像的黄斑中心无血管区体积计算方法及系统 |
CN112022083A (zh) * | 2020-07-31 | 2020-12-04 | 上海理工大学 | 一种基于双向扫描的中央凹定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
CN108961261A (zh) * | 2018-03-14 | 2018-12-07 | 中南大学 | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 |
-
2019
- 2019-06-14 CN CN201910516142.6A patent/CN110378333B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
CN108961261A (zh) * | 2018-03-14 | 2018-12-07 | 中南大学 | 一种基于空间连续性约束的视盘区域oct图像层次分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292311A (zh) * | 2020-02-17 | 2020-06-16 | 南京理工大学 | 基于octa视网膜图像的黄斑中心无血管区体积计算方法及系统 |
CN112022083A (zh) * | 2020-07-31 | 2020-12-04 | 上海理工大学 | 一种基于双向扫描的中央凹定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110378333B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651827B (zh) | 一种基于sift特征的眼底图像配准方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
Danthurebandara et al. | Enhanced structure–function relationship in glaucoma with an anatomically and geometrically accurate neuroretinal rim measurement | |
Li et al. | DeepRetina: layer segmentation of retina in OCT images using deep learning | |
Hu et al. | Multimodal retinal vessel segmentation from spectral-domain optical coherence tomography and fundus photography | |
US10878574B2 (en) | 3D quantitative analysis of retinal layers with deep learning | |
AU2021202217B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
Rhodes et al. | Variation of laminar depth in normal eyes with age and race | |
De La Fuente-Arriaga et al. | Application of vascular bundle displacement in the optic disc for glaucoma detection using fundus images | |
Ma et al. | MS-CAM: Multi-scale class activation maps for weakly-supervised segmentation of geographic atrophy lesions in SD-OCT images | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN108257126B (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
Liu et al. | Automated photoreceptor cell identification on nonconfocal adaptive optics images using multiscale circular voting | |
CN108765392A (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
CN109325955B (zh) | 一种基于oct图像的视网膜分层方法 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN110378333A (zh) | 一种sd-oct图像黄斑中央凹中心定位方法 | |
Xu et al. | Automated assessment of the optic nerve head on stereo disc photographs | |
Cha et al. | High-accuracy retinal layer segmentation for optical coherence tomography using tracking kernels based on Gaussian mixture model | |
Rabbani et al. | Obtaining thickness maps of corneal layers using the optimal algorithm for intracorneal layer segmentation | |
Wang et al. | A deep learning system for automatic assessment of anterior chamber angle in ultrasound biomicroscopy images | |
Lee et al. | Screening glaucoma with red-free fundus photography using deep learning classifier and polar transformation | |
WO2015184742A1 (zh) | 基于语义技术与医学图像分割结合的心力衰竭检测方法 | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Gopinath et al. | Domain knowledge assisted cyst segmentation in OCT retinal images |
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 |