CN110751634A - 一种视杯视盘分割模型的确定方法、装置及存储介质 - Google Patents
一种视杯视盘分割模型的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110751634A CN110751634A CN201910964739.7A CN201910964739A CN110751634A CN 110751634 A CN110751634 A CN 110751634A CN 201910964739 A CN201910964739 A CN 201910964739A CN 110751634 A CN110751634 A CN 110751634A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- cup
- determining
- disc
- optic
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 29
- 230000005484 gravity Effects 0.000 claims description 20
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000010412 Glaucoma Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- 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
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请披露了一种视杯视盘分割模型的确定方法，所述方法包括：执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
Description
技术领域
本申请涉及图像处理领域，具体涉及一种眼底图像的视杯视盘分割模型的确定方法、装置、电子设备及存储介质。
背景技术
临床上，使用患者的眼底图像进行青光眼疾病(Glaucoma)筛查时，视盘与视杯的形态和杯盘比(Cup-to-disc-ratio,CDR)等参数，在相关病变(如青光眼等)的诊断中极其重要。视盘大小与视杯大小、盘沿大小息息相关，大的视杯伴有大的视盘可以是正常的，小的视杯伴有更小的视盘可能是病理性的。
临床上通常采用人工标注的方法，首先过程较繁琐，其次对于一些具有眼科病变情况的眼底图需要有经验的医师才能完成准确标注，会影响到后续的诊断效率。另外人工标注不易移植到眼底彩照自动诊断系统中。因此，眼底彩照中视盘与视杯的自动分割是近年来视网膜视神经疾病计算机辅助诊断相关研究的关键技术难题。
传统图像处理方法需要人工选取图像的特征，并且针对不同的数据集，人工调整参数，适用性较差。
目前大多利用全卷积网络进行视杯视盘语义分割算法的缺点是未考虑到全局空间信息(比如待分割目标的形状)的约束，所以算法分割结果往往比较粗糙、且边界不够合理甚至可能出现畸变。
发明内容
针对现有技术中的数据预测结果轮廓较差的问题，本申请实施例提出了一种视杯视盘分割模型的确定方法、装置、电子设备及计算机可读存储介质，以解决视杯视盘分割结果较粗糙的问题。
本申请实施例的第一方面提供了一种视杯视盘分割模型的确定方法，包括：执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
在一些实施例中，所述样本输入图像为眼底图像或者视盘ROI区域图像，所述视盘ROI区域图像基于所述眼底图像获得；所述获得方式为人工标注眼底图像获得视盘ROI区域图像，或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。
在一些实施例中，所述第一机器学习模型为全卷积神经网络模型。
在一些实施例中，所述基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，包括：从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
在一些实施例中，所述基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，包括：基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视杯轮廓。
在一些实施例中，所述基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓，包括：基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视盘轮廓。
在一些实施例中，所述一定比例为60％～70％。
在一些实施例中，所述惩罚权重矩阵为： 
其中，m*n为分割结果的所有像素点对应的图像的尺寸，xi为该m*n尺寸的图像中的第i个像素点，f(xi)为第i个像素点对应的形状合理判断函数，所述形状合理判断函数的值表示第i个像素点是否需要惩罚，f(xi)＝1时，表示第i个像素点需要惩罚，f(xi)＝0则不需要惩罚，λ表示需要惩罚的像素点的权重值，λ为大于1的整数。
在一些实施例中，所述基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失，包括：针对所述分割结果中的每个像素点，基于惩罚权重矩阵，确定该像素点的权重值；基于该像素点的权重值，确定该像素点的权重交叉熵损失，所述权重交叉熵损失为该像素点的联合损失，其特征在于，当该像素点的权重值不为1时，则该像素点的联合损失包括分类损失和形状损失；当该像素点的权重值为1时，则该像素点的联合损失仅包括分类损失；确定所述分割结果中所有像素点的联合损失之和。
在一些实施例中，所述所有像素点的联合损失函数为：
其中，
为全卷积神经网络预测模型对于样本Y中第i个像素的分割结果，m*n为样本Y分割结果的所有像素点对应的图像的尺寸，yi为样本Y中第i个像素的类圆金标准，λi为样本Y中第i个像素点的权重值。
在一些实施例中，所述所有像素点的联合损失函数为：
其中，k为样本总个数，j为样本序号。
本申请实施例的第二方面提供了一种视杯视盘分割模型的确定装置，所述装置包括：前向传播单元，所述前向传播单元用于执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；联合损失确定单元，所述联合损失确定单元用于基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；反向传播单元，所述反向传播单元用于执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；迭代单元，所述迭代单元用于迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
在一些实施例中，所述样本输入图像为眼底图像或者视盘ROI区域图像，所述视盘ROI区域图像基于所述眼底图像获得；所述获得方式为人工标注眼底图像获得视盘ROI区域图像，或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。
在一些实施例中，所述第一机器学习模型为全卷积神经网络模型。
在一些实施例中，所述联合损失确定单元具体用于：从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
在一些实施例中，所述基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，包括：基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视杯轮廓。
在一些实施例中，所述基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓，包括：基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视盘轮廓。
在一些实施例中，所述一定比例为60％～70％。
在一些实施例中，所述惩罚权重矩阵为： 其中，m*n为分割结果的所有像素点对应的图像的尺寸，xi为该m*n尺寸的图像中的第i个像素点，f(xi)为第i个像素点对应的形状合理判断函数，所述形状合理判断函数的值表示第i个像素点是否需要惩罚，f(xi)＝1时，表示第i个像素点需要惩罚，f(xi)＝0则不需要惩罚，λ表示需要惩罚的像素点的权重值，λ为大于1的整数。
在一些实施例中，所述基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失，包括：针对所述分割结果中的每个像素点，基于惩罚权重矩阵，确定该像素点的权重值；基于该像素点的权重值，确定该像素点的权重交叉熵损失，所述权重交叉熵损失为该像素点的联合损失，其特征在于，当该像素点的权重值不为1时，则该像素点的联合损失包括分类损失和形状损失；当该像素点的权重值为1时，则该像素点的联合损失仅包括分类损失；确定所述分割结果中所有像素点的联合损失之和。
在一些实施例中，所述所有像素点的联合损失函数为：
其中，
为全卷积神经网络预测模型对于样本Y中第i个像素的分割结果，m*n为样本Y分割结果的所有像素点对应的图像的尺寸，yi为样本Y中第i个像素的类圆金标准，λi为样本Y中第i个像素点的权重值。
在一些实施例中，所述所有像素点的联合损失函数为： 
其中，k为样本总个数，j为样本序号。
本申请实施例的第三方面提供了一种电子设备，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如前述各实施例所述的视杯视盘分割模型的确定方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如前述各实施例所述的视杯视盘分割模型的确定方法。
本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现如前述各实施例所述的视杯视盘分割模型的确定方法。
本申请实施例，通过双类圆空间约束模块，并进一步确定形状损失和分类损失的联合损失，进而迭代训练获得视杯视盘的精确分割模型。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。
图1是根据本申请的一些实施例所示的一种视杯视盘分割模型的确定示意图；
图2是根据本申请的一些实施例所示的一种视盘视杯分割过程示意图；
图3是根据本申请的一些实施例所示的联合损失确定方法示意图；
图4是根据本申请的一些实施例所示的一种视盘视杯预测结果分割示意图；
图5是根据本申请的一些实施例所示的理想视杯轮廓和理想视盘轮廓的拟合效果示意图；
图6是根据本申请的一些实施例所示的惩罚权重矩阵确定过程示意图；
图7是根据本申请的一些实施例所示的全卷积神经网络模型训练过程示意图；
图8是根据本申请的一些实施例所示的基于惩罚权重矩阵的联合损失确定方法示意图；
图9是根据本申请的一些实施例所示的一种视杯视盘分割模型的确定装置；
图10是根据本申请的一些实施例所示的电子设备示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。
应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。
本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。
图1是根据本申请的一些实施例所示的一种视杯视盘分割模型的确定示意图。
在102中，执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，同时确定分割结果。
在一些实施例中，所述样本输入图像可以是眼底图像，或者是基于眼底图像获得的视盘ROI区域(Region of Interest,ROI)图像。基于眼底图像获得视盘ROI区域图像的方式很多。例如，可以采用人工标注的方式，从眼底图像中获得视盘ROI区域图像；或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。在一些实施例中，所述第二机器学习模型可以是定位神经网络模型。具体地，所述定位神经网络模型可以采用Faster R-CNN联合定位算法。
在一些实施例中，所述第一机器学习模型为全卷积神经网络模型，将样本输入图像输入至全卷积神经网络模型中，可以同时确定视盘、视杯以及背景区域的预测结果。
在一些实施例中，所述全卷积神经网络模型采用ResNextU-Net作为网络框架，其中使用了group convolution和残差技术，计算更快，更稳定；所述全卷积神经网络模型可以同时分割出视杯和视盘区域。在一些实施例中，所述全卷积神经网络模型可以基于联合损失进行迭代优化。
在104中，基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失。所述联合损失包括形状损失和分类损失。在一些实施例中，所述双类圆金标准包括两个类圆金标准，即视盘类圆金标准和视杯类圆金标准。在一些实施例中，所述类圆表示具有弧度的类似圆形的封闭形状。例如，圆形、椭圆形、蛋形等任意类似圆形的形状。
在106中，执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数。
在108中，迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
在一些实施例中，所述训练完成后可以得到训练好的第一机器学习模型。所述训练的结束可以是所述分割结果的联合损失低于第一预设阈值，或者所诉迭代次数达到第二预设阈值。在一些实施例中，所述第一预设阈值或者第二预设阈值可以是人为设定的一个合理数值。例如，一个经验值。在一些实施例中，所述训练结束可以是已知的其他任意的方式。
图2是根据本申请的一些实施例所示的一种视盘视杯分割过程示意图。如图2所示，眼底图像输入至定位神经网络，所述定位神经网络输出视盘ROI区域，所述视盘ROI区域图像输入至训练好的视杯视盘联合分割网络，确定视杯视盘的分割结果。进一步地，所述视杯视盘的分割结果可以进行可视化。如图2所示，所述视杯视盘联合分割网络是基于空间约束模块和联合损失的语义分割算法进行训练的。
图3是根据本申请的一些实施例所示的联合损失确定方法示意图。
在302中，从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集。
在一些实施例中，所述视盘ROI区域图像输入至全卷积神经网络后，全卷积神经网络输出所述视盘ROI区域图像中每个像素点的预测结果。例如，将某个像素点预测为属于视盘区域，将某个像素点预测为属于视杯区域，或者将某个像素点预测为属于背景。
具体地，将训练数据(视盘ROI区域图像)输入至全卷积神经网络的卷积、池化、激活、反卷积、上采样、等技术操作后得到初步的预测结果
其中，m*n为输入样本图例的尺寸大小，
表示第i个像素的模型预测结果。
在一些实施例中，如302中所述，从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集。所述两个待处理点集可以表示为两个二值图其中，为预测结果为视盘区域的待处理像素点集对应的二值图；为预测结果为视杯区域的待处理像素点集对应的二值图。
在304中，基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓。
在一些实施例中，所述理想视杯轮廓的确定可以包括如下步骤：
基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视杯轮廓。
在一些实施例中，所述理想视盘轮廓的确定可以包括如下步骤：
基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；基于所述保留的像素点，拟合确定所述理想视盘轮廓。
所述理想视杯轮廓和理想视盘轮廓的拟合效果图如图5所示。
根据实验数据，当保留的像素点的比例为60％～70％，即删除30％～40％的数据时，所述拟合效果最好。
在306中，基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集。
在308中，基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集。
在一些实施例中，所述双类圆金标准Ground Truth为真实分割结果，是预先确定的分割参照标准。双类圆金标准可以表示为
m*n为输入样本图例的尺寸大小，yi表示第i个像素的正确分类结果。在迭代训练过程中，所述分割结果的形状或轮廓会趋近所述金标准的形状或轮廓。在本申请中，采用类圆形表述视杯或视盘是合理的。因为视杯、视盘生理结构上就是类圆形。
在310中，基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集。在一些实施例中，可以将所述确定惩罚权重矩阵的过程看作是一空间约束模块，将数据输入该模块，确定损失权重矩阵。其对应的惩罚权重矩阵可以表示为：
其中为单个尺寸大小为m*n的图例样本，xi为该m*n尺寸图例样本的第i个像素点，f(xi)输出为该像素点的形状合理判断函数，若某像素点xi的形状合理判断函数值为1则判断为该像素点的形状不合理，需要惩罚，若为0则不需要惩罚，设置需要惩罚的像素点的权重为λ，λ为大于1的整数不需要惩罚的像素点的权重为1。
具体的，对于形状合理判断函数f(xi)其工作原理可表述为：在判断置信分数大于1的情况中进行了两步操作：1、像素形状合理度判断；2、金标准对比，对于第一步，可理解为基于理想轮廓筛选出视杯或视盘区域中形状不合理的待惩罚区域(理想类圆外的区域)，之后将视杯待惩罚点集与视杯类圆金标准、视盘待惩罚点集与视盘类圆金标准分别对比得到视杯和视盘的惩罚区域；两个惩罚点集合并后，通过对每个像素点进行判断得到惩罚权重矩阵。
如下式所示，f(xi)可以看作两个函数的乘积。
其中，f1(xi)表示类圆置信度函数，定义为：
其中，
表示基于前向传播结果，经过理想轮廓(视杯或视盘)处理得到的类圆理想轮廓目标域，若某像素xi位于本理想类圆域内，则设置其f1置信度为0，若位于本理想类圆域外，则暂时设置其f1信度为1；f2(xi)表示金标准置信度函数，定义为：
其中，Gt(Y[m*n])表示金标准(视杯金标准或视盘金标准)所代表的目标域，若某像素xi位于金标准域内，则设置其f2置信度为0，若位于金标准域外，则设置其f2信度为1；
在312中，基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
图4是根据本申请的一些实施例所示的一种视盘视杯预测结果分割示意图。如图4所示，左图为未分割前的预测结果成像图，中图为视盘分割结果示意图，右图为视杯分割结果示意图。图4对应图3中的302。
图6是根据本申请的一些实施例所示的惩罚权重矩阵确定过程示意图。如图6所示，第一行左侧两幅图分别为待惩罚点集(包括视盘待惩罚点集和视杯待惩罚点集)，第一行右侧两图分别为金标准(包括视盘类圆金标准和视杯类圆金标准)，第二行左侧两幅图分别为惩罚点集(包括视盘惩罚点集和视杯惩罚点集)，右侧两图分别为惩罚合并点集和惩罚权重矩阵，其中，在图6第二行第四幅图中灰度最深的区域的权重为λ。
图7是根据本申请的一些实施例所示的全卷积神经网络模型训练过程示意图。如图7所示，前向传播获得视杯视盘的预测结果。基于所述预测结果确定损失权重矩阵。基于所述损失权重矩阵确定联合损失。进而基于所述联合损失反向传播优化模型。
图8是根据本申请的一些实施例所示的基于惩罚权重矩阵的联合损失确定方法示意图。具体地，图8为312的具体过程。
在802中，针对所述分割结果中的每个像素点，基于惩罚权重矩阵，确定该像素点的权重值。
在804中，基于该像素点的权重值，确定该像素点的权重交叉熵损失，所述权重交叉熵损失为该像素点的联合损失。当该像素点的权重值不为1时，则该像素点的联合包括分类损失和形状损失；当该像素点的权重值为1时，则该像素点的联合损失仅包括分类损失。
在806中，确定所述分割结果中所有像素点的联合损失之和。
在一些实施例中，所述所有像素点的联合损失可以表示为：
其中，
为全卷积神经网络预测模型对于样本Y中第i个像素的分割结果，m*n为样本Y分割结果的所有像素点对应的图像的尺寸，yi为样本Y中第i个像素的类圆金标准，λi为样本Y中第i个像素点的权重值。
如公式2所示，通过求出所有像素点的损失并求和即可获得该样本联合损失
更进一步地，训练样本的数量可能不为1，即，输入图像为多幅。则所述本批次的联合损失可以为
其中，k为样本总个数，j表示样本的个数序号。
图9是根据本申请的一些实施例所示的一种视杯视盘分割模型的确定装置。如图9所示，所述装置900包括前向传播单元910、联合损失确定单元920、反向传播单元930和迭代单元940。
所述前向传播单元910用于执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果。所述联合损失确定单元920用于基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失。所述反向传播单元930用于执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数。所述迭代单元940用于迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
在一些实施例中，所述联合损失确定单元具体用于：从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
值得说明的是，所述视杯视盘分割模型的确定装置中的一些参量与所述视杯视盘分割模型的确定方法中一致。例如，样本输入图像类型、机器学习模型的具体类型、理想轮廓拟合方法、惩罚权重矩阵、形状合理判断函数、联合损失函数等，在此不做展开赘述。
图10是适于用来实现根据本申请实施方式的电子设备的结构示意图。
如图10所示，电子设备1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行上述图1、3、8所示的实施方式中的各种处理。在RAM1003中，还存储有电子设备1000操作所需的各种程序和数据。CPU1001、ROM1002以及RAM1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本申请的实施方式，上文参考图1、3、8描述的方法可以被实现为计算机软件程序。例如，本申请的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1、3、8的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。
附图中的流程图和框图，图示了按照本申请各种实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。
综上所述，本申请提出了一种视杯视盘分割模型的确定方法，具体地，为训练所述视杯视盘分割模型的方法，首先，本申请采用前向传播和反向传播的迭代方式进行模型训练，在反向传播过程中本申请采用了双类圆空间约束和分类损失的联合损失进行反向传播，着眼于眼底筛查时视杯和视盘的具体构造约束，提高了计算的精度，其次，本申请在确定联合损失时，采用了基于重心距离的拟合方式，使得拟合得到的形状更合理，减少了计算复杂度。
应当理解的是，本申请的上述具体实施方式仅仅用于示例性说明或解释本申请的原理，而不构成对本申请的限制。因此，在不偏离本申请的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。此外，本申请所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (24)
1.一种视杯视盘分割模型的确定方法，其特征在于，包括：
执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；
基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；
执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；
迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
2.如权利要求1所述的方法，其特征在于：
所述样本输入图像为眼底图像或者视盘ROI区域图像，所述视盘ROI区域图像基于所述眼底图像获得；
所述获得方式为人工标注眼底图像获得视盘ROI区域图像，或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。
3.如权利要求1或2所述的方法，其特征在于所述第一机器学习模型为全卷积神经网络模型。
4.如权利要求1所述的方法，其特征在于，所述基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，包括：
从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；
基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；
基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；
基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；
基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；
基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
5.如权利要求4所述的方法，其特征在于，所述基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，包括：
基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；
确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；
基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；
基于所述保留的像素点，拟合确定所述理想视杯轮廓。
6.如权利要求4所述的方法，其特征在于，所述基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓，包括：
基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；
确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；
基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；
基于所述保留的像素点，拟合确定所述理想视盘轮廓。
7.如权利要求5或6所述的方法，其特征在于，所述一定比例为60％～70％。
8.如权利要求4所述的方法，其特征在于，所述惩罚权重矩阵为：
其中，m*n为分割结果的所有像素点对应的图像的尺寸，xi为该m*n尺寸的图像中的第i个像素点，f(xi)为第i个像素点对应的形状合理判断函数，所述形状合理判断函数的值表示第i个像素点是否需要惩罚，f(xi)＝1时，表示第i个像素点需要惩罚，f(xi)＝0则不需要惩罚，λ表示需要惩罚的像素点的权重值，λ为大于1的整数。
9.如权利要求4或8所述的方法，其特征在于，所述基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失，包括：
针对所述分割结果中的每个像素点，基于惩罚权重矩阵，确定该像素点的权重值；
基于该像素点的权重值，确定该像素点的权重交叉熵损失，所述权重交叉熵损失为该像素点的联合损失，其特征在于，当该像素点的权重值不为1时，则该像素点的联合损失包括分类损失和形状损失；当该像素点的权重值为1时，则该像素点的联合损失仅包括分类损失；
确定所述分割结果中所有像素点的联合损失之和。
10.如权利要求9所述的方法，其特征在于，所述所有像素点的联合损失函数为：
其中，为全卷积神经网络预测模型对于样本Y中第i个像素的分割结果，m*n为样本Y分割结果的所有像素点对应的图像的尺寸，yi为样本Y中第i个像素的类圆金标准，λi为样本Y中第i个像素点的权重值。
11.如权利要求10所述的方法，其特征在于，所述所有像素点的联合损失函数为：
其中，k为样本总个数，j为样本序号。
12.一种视杯视盘分割模型的确定装置，其特征在于，包括：
前向传播单元，所述前向传播单元用于执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；
联合损失确定单元，所述联合损失确定单元用于基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；
反向传播单元，所述反向传播单元用于执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；
迭代单元，所述迭代单元用于迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。
13.如权利要求12所述的装置，其特征在于：
所述样本输入图像为眼底图像或者视盘ROI区域图像，所述视盘ROI区域图像基于所述眼底图像获得；
所述获得方式为人工标注眼底图像获得视盘ROI区域图像，或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。
14.如权利要求12或13所述的装置，其特征在于，所述第一机器学习模型为全卷积神经网络模型。
15.如权利要求12所述的装置，其特征在于，所述联合损失确定单元具体用于：
从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；
基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；
基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；
基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；
基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；
基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。
16.如权利要求15所述的装置，其特征在于，所述基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，包括：
基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；
确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；
基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；
基于所述保留的像素点，拟合确定所述理想视杯轮廓。
17.如权利要求15所述的装置，其特征在于，所述基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓，包括：
基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；
确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；
基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；
基于所述保留的像素点，拟合确定所述理想视盘轮廓。
18.如权利要求16或17所述的装置，其特征在于，所述一定比例为60％～70％。
19.如权利要求15所述的装置，其特征在于，所述惩罚权重矩阵为：
其中，m*n为分割结果的所有像素点对应的图像的尺寸，xi为该m*n尺寸的图像中的第i个像素点，f(xi)为第i个像素点对应的形状合理判断函数，所述形状合理判断函数的值表示第i个像素点是否需要惩罚，f(xi)＝1时，表示第i个像素点需要惩罚，f(xi)＝0则不需要惩罚，λ表示需要惩罚的像素点的权重值，λ为大于1的整数。
20.如权利要求15或19所述的装置，其特征在于，所述基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失，包括：
针对所述分割结果中的每个像素点，基于惩罚权重矩阵，确定该像素点的权重值；
基于该像素点的权重值，确定该像素点的权重交叉熵损失，所述权重交叉熵损失为该像素点的联合损失，其特征在于，当该像素点的权重值不为1时，则该像素点的联合包括分类损失和形状损失；当该像素点的权重值为1时，则该像素点的联合仅包括分类损失；
确定所述分割结果中所有像素点的联合损失之和。
21.如权利要求20所述的装置，其特征在于，所述所有像素点的联合损失函数为：
其中，
为全卷积神经网络预测模型对于样本Y中第i个像素的分割结果，m*n为样本Y分割结果的所有像素点对应的图像的尺寸，yi为样本Y中第i个像素的类圆金标准，λi为样本Y中第i个像素点的权重值。
22.如权利要求21所述的装置，其特征在于，所述所有像素点的联合损失函数为：
其中，k为样本总个数，j为样本序号。
23.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如权利要求1-11任一项所述的视杯视盘分割模型的确定方法。
24.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1-11任一项所述的视杯视盘分割模型的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964739.7A CN110751634A (zh) | 2019-10-11 | 2019-10-11 | 一种视杯视盘分割模型的确定方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910964739.7A CN110751634A (zh) | 2019-10-11 | 2019-10-11 | 一种视杯视盘分割模型的确定方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751634A true CN110751634A (zh) | 2020-02-04 |
Family
ID=69278054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910964739.7A Pending CN110751634A (zh) | 2019-10-11 | 2019-10-11 | 一种视杯视盘分割模型的确定方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751634A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102112044A (zh) * | 2008-05-14 | 2011-06-29 | 科学、技术与研究机构 | 自动杯盘比测量系统 |
| CN103218827A (zh) * | 2013-03-21 | 2013-07-24 | 上海交通大学 | 基于形状传递联合分割和图匹配校正的轮廓跟踪方法 |
| CN105160660A (zh) * | 2015-08-17 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 |
-
2019
- 2019-10-11 CN CN201910964739.7A patent/CN110751634A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102112044A (zh) * | 2008-05-14 | 2011-06-29 | 科学、技术与研究机构 | 自动杯盘比测量系统 |
| CN103218827A (zh) * | 2013-03-21 | 2013-07-24 | 上海交通大学 | 基于形状传递联合分割和图匹配校正的轮廓跟踪方法 |
| CN105160660A (zh) * | 2015-08-17 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| HUAZHU FU ET AL: "Joint Optic Disc and Cup Segmentation Based on Multi-label Deep Network and Polar Transformation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| JUN WU ET AL: "Oval Shape Constraint based Optic Disc and Cup Segmentation in Fundus Photographs", 《BMVC2019》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
| CN109584254B (zh) | 一种基于深层全卷积神经网络的心脏左心室分割方法 | |
| CN111259982B (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| EP3674968B1 (en) | Image classification method, server and computer readable storage medium | |
| CN111815574B (zh) | 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法 | |
| CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
| CN111008984B (zh) | 医学影像中正常器官的轮廓线自动勾画方法 | |
| CN107578416B (zh) | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 | |
| CN111105424A (zh) | 淋巴结自动勾画方法及装置 | |
| CN110533668B (zh) | 基于统计约束损失函数的脑梗塞病灶自动分割方法 | |
| CN105160660A (zh) | 基于多特征高斯拟合的活动轮廓血管提取方法及系统 | |
| CN110866872B (zh) | 一种路面裂缝图片预处理智能选择方法、装置及电子设备 | |
| CN115661467A (zh) | 脑血管图像分割方法、装置、电子设备及存储介质 | |
| CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
| CN114708263B (zh) | 个体化脑功能区定位方法、装置、设备和存储介质 | |
| CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
| CN114463288B (zh) | 脑部医学影像评分方法、装置、计算机设备和存储介质 | |
| CN106446805A (zh) | 一种眼底照中视杯的分割方法及系统 | |
| Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
| CN111815650B (zh) | 一种基于改进模糊c均值的脑磁共振图像分割方法 | |
| CN117237627A (zh) | 一种多模态mri脑肿瘤图像分割方法 | |
| CN110751634A (zh) | 一种视杯视盘分割模型的确定方法、装置及存储介质 | |
| Mehena et al. | Medical image segmentation and detection of MR images based on spatial multiple-kernel fuzzy C-means algorithm | |
| CN111126403A (zh) | 一种基于磁共振血管造影图像的脑血管分割方法和系统 |
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 |
Application publication date: 20200204 |
|
| RJ01 | Rejection of invention patent application after publication |