CN110889846A - 一种基于fcm的糖尿病视网膜图像视盘分割方法 - Google Patents

一种基于fcm的糖尿病视网膜图像视盘分割方法 Download PDF

Info

Publication number
CN110889846A
CN110889846A CN201911219540.8A CN201911219540A CN110889846A CN 110889846 A CN110889846 A CN 110889846A CN 201911219540 A CN201911219540 A CN 201911219540A CN 110889846 A CN110889846 A CN 110889846A
Authority
CN
China
Prior art keywords
image
blood vessel
optic disc
fcm
pixel
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
Application number
CN201911219540.8A
Other languages
English (en)
Inventor
高俊山
韩婧
邓立为
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201911219540.8A priority Critical patent/CN110889846A/zh
Publication of CN110889846A publication Critical patent/CN110889846A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

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

Abstract

本发明公开了一种FCM的糖尿病视网膜图像视盘分割方法，属于图像处理技术领域。其方法步骤主要包括：步骤1获取待处理的原眼底图像R'(x,y)，并对图像R'(x,y)进行图像预处理；步骤2.对预处理后图像R(x,y)进行血管处理，包括血管分割和血管擦除，其中血管分割主要包括以下部分：血管增强、匹配滤波并进行灰度调整以及消除轮廓；步骤3.对血管擦除后的图像R进行视盘定位；步骤4.利用FCM(模糊C均值)算法进行视盘分割。利用FCM算法解决了计算量大，耗时较长，精确度不高等问题，提高了视盘分割过程的整体效率。

Description

一种基于FCM的糖尿病视网膜图像视盘分割方法
技术领域
本发明涉及医学图像处理领域，具体涉及一种基于FCM的糖尿病视网膜图像视盘分割方法。
背景技术
糖尿病是一种代谢性病症，在我国，糖尿病患病率高，治疗率较低，长时间患病导致并发症的发病率也随之升高。其中，眼部视网膜病变作为最严重的并发症之一，会造成人类视力减弱甚至是失明。在对眼底图像进行病变检测的过程中，视盘可能对其检测结果造成干扰，故选择对视盘进行分割处理。
视盘全称视神经盘，也称视神经乳头，直径约为1.5mm，视神经和血管从该区域进入眼部并向周边延伸。在正常的彩色视网膜眼底图像中，视盘一般表现为近似圆形的淡黄色或白色的亮斑，其表面有较粗的血管覆盖。在对眼底图像进行病变检测的过程中，视盘可能对其检测结果造成干扰，故选择对视盘进行分割处理。视盘分割也成为了近年来研究的热点。
目前，针对糖尿病视网膜眼底图像视盘分割的研究方法，通常是通过视盘定位和分割这两部分完成。在现有的视盘分割技术中，往往依赖于视盘的亮度和形状特性，当眼底发生病变渗出物时，由于其在亮度及个别形状与视盘有较大的重合点，故会影响视盘的定位准确度，在分割算法通常会选用拟合类算法，但结果会出现计算量大，耗时较长，精确度不高等低效率问题。
发明内容
针对上述研究的问题，本发明的目的在于：为了降低在分割过程中计算量较大引起的耗时长以及准确度等问题，提出了一种基于FCM的糖尿病视网膜图像视盘分割方法。
为了解决上述技术问题，本发明采用的技术方案如下：
一种基于FCM的糖尿病视网膜图像视盘分割方法，包括如下步骤：
S1：获取待处理的原眼底图像R'(x,y)，并对图像R'(x,y)进行图像预处理，主要包括以下部分：颜色通道分析、去除噪声，得到预处理后图像R(x,y)；
进一步的，所述S1的具体步骤为：
S1.1：选取原眼底图像R'(x,y)中RGB颜色通道中整体对比度较高，视盘亮度与血管轮廓具有较强清晰度的G通道分量图像R”(x,y)作为处理图像；
S1.2：利用均值滤波法进行图像噪声削弱，主要是取其图像上每一像素点周围的邻域点，求出这些像素点的平均灰度值用以替代该点原本灰度值，其均值滤波结果R”'(x,y)可以表示为如下公式：
Figure BDA0002300225150000021
其中，式(1)中S表示控制模板，用来计算邻域点的范围及数量，所选模板为3*3的矩阵，M表示模板S中的总像素数，则所选M为9，所得均值滤波结果R”'(x,y)即为处理后的图像，故得到预处理图像R(x,y)；
模板S如下所示：
Figure BDA0002300225150000031
S2：对预处理后图像R(x,y)进行血管处理，包括血管分割和血管擦除，其中血管分割主要包括以下部分：血管增强、匹配滤波并进行灰度调整以及消除轮廓；
进一步的，所述S2的具体步骤为：
S2.1：利用自适应直方图均衡(AHE)对血管进行增强，并利用匹配滤波对血管增强进行进一步细化改善；
其中，利用AHE进行血管增强是通过计算每一个像素邻域的变换函数来对每个像素执行直方图增强，通常对每一个像素加上一个比中心像素小的值来获得，或者在每一个像素上加上一个邻域像素均值，邻域的尺寸是一个邻域长度的尺度参数，当这个参数较大时，会降低对比度；反之增强对比度，从而对血管增强达到良好的效果，其相应自适应公式如下所示：
Figure BDA0002300225150000032
其中，式(3)中I表示像素，M取值为255表示最大灰度值，R(p)表示像素p的邻域
其中，在匹配滤波的过程中选择了高斯滤波器得到最大信噪比的输出，匹配过程中从尺度和方向进行考虑，选取了4个不同尺度
Figure BDA0002300225150000041
以及12个方向的滤波器，在每个像素点都进行12次不同方向的滤波，选取最大响应的一个作为最终的响应输出，所得到的滤波器公式如下所示：
Figure BDA0002300225150000042
S2.2：利用imadjust()函数对图像进行灰度调整，通过调整灰度范围，使血管图像显示的更加清晰，最终将处理结果图像转换称为二值图像BR；
S2.3：进行去轮廓操作，需利用ROI感兴趣区域提取获得掩膜并得到其轮廓灰度图与二值图像BR1，通过对BR与BR1的像素值进行减操作，从而将轮廓消除，得到完整的血管图像，其中表达式如下所示：
I＝I(BR)-I(BR1) (5)
S2.4：利用形态学处理中的腐蚀和膨胀操作对图像中的血管进行去噪声和断点连续，并提取连通域，对所提取连通域区域进行平均阈值赋值，从而完成血管擦除，为之后视盘分割消除一定干扰；
完成以上操作步骤，所得到的图像为R1(x,y)
S3：对血管擦除后的图像R进行视盘定位，由于视盘区域的像素平均亮度和像素值的方差比其他区域的像素灰度方差大，故选择选取图像中亮度值最大的0.2％的像素点，并以这些像素点的几何中心作为视盘区域的中心坐标，以整个眼底图像的1/64大小的矩形框作为边界，裁剪出视盘区域，得到定位图像R2(x,y)；
S4：利用FCM(模糊C均值)算法进行视盘分割。FCM算法是一种基于划分的聚类算法，主要是使得被划分到同一簇的对象之间相似度最大，从而实现图像的分割效果，在对视盘进行分割的过程中主要是对聚类中心的计算和更新以及隶属度的计算；
S4.1：其中FCM算法是把n个向量xi(i＝1,2,…,n)分为C个模糊组，并求出每组的聚类中心，使得非相似性指标的价值数值J达到最小，而此价值数值J即为目标函数，其函数表达式如下所示：
Figure BDA0002300225150000051
其中，公式(6)中m表示模糊度，一般取值为2，dij表示样本点到聚类中心的距离测度，通常用欧氏距离表示，Ci表示模糊组I的聚类中心uij表示隶属度矩阵元素，相应隶属度矩阵元素须满足三个约束条件，约束条件如下表示：
Figure BDA0002300225150000052
S4.1：通过联立目标函数和约束条件，根据拉格朗日极值条件得出隶属度和聚类中心的迭代公式如下所示：
Figure BDA0002300225150000053
通过上述步骤可完成相应的视盘分割图像，利用形态学处理中的腐蚀和膨胀操作进行分割区域完整化，从而达到良好的分割效果；
附图说明
图1为本发明分割方法流程图；
图2为本发明原眼底图像与预处理后眼底图像；
图3为本发明的血管增强图像及其直方图；
图4为本发明的血管分割过程图像；
图5为本发明的血管分割结果图像；
图6为本发明的视盘定位图像；
图7为本发明视盘分割结果图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，提出相应具体实施方案，对本发明进一步详细说明。
一种基于FCM的糖尿病视网膜图像视盘分割方法，包括如下步骤：
S1：获取待处理的原眼底图像R'(x,y)，并对图像R'(x,y)进行图像预处理，主要包括以下部分：颜色通道分析、去除噪声，得到预处理后图像R(x,y)；
进一步的，所述S1的具体步骤为：
S1.1：选取原眼底图像R'(x,y)中RGB颜色通道中整体对比度较高，视盘亮度与血管轮廓具有较强清晰度的G通道分量图像R”(x,y)作为处理图像；
S1.2：利用均值滤波法进行图像噪声削弱，主要是取其图像上每一像素点周围的邻域点，求出这些像素点的平均灰度值用以替代该点原本灰度值，其均值滤波结果R”'(x,y)可以表示为如下公式：
Figure BDA0002300225150000071
其中，式(1)中S表示控制模板，用来计算邻域点的范围及数量，所选模板为3*3的矩阵，M表示模板S中的总像素数，则所选M为9，所得均值滤波结果R”'(x,y)即为处理后的图像，故得到预处理图像R(x,y)；
模板S如下所示：
Figure BDA0002300225150000072
S2：对预处理后图像R(x,y)进行血管处理，包括血管分割和血管擦除，其中血管分割主要包括以下部分：血管增强、匹配滤波并进行灰度调整以及消除轮廓；
进一步的，所述S2的具体步骤为：
S2.1：利用自适应直方图均衡(AHE)对血管进行增强，并利用匹配滤波对血管增强进行进一步细化改善；
其中，利用AHE进行血管增强是通过计算每一个像素邻域的变换函数来对每个像素执行直方图增强，通常对每一个像素加上一个比中心像素小的值来获得，或者在每一个像素上加上一个邻域像素均值，邻域的尺寸是一个邻域长度的尺度参数，当这个参数较大时，会降低对比度；反之增强对比度，从而对血管增强达到良好的效果，其相应自适应公式如下所示：
Figure BDA0002300225150000081
其中，式(3)中I表示像素，M取值为255表示最大灰度值，R(p)表示像素p的邻域
其中，在匹配滤波的过程中选择了高斯滤波器得到最大信噪比的输出，匹配过程中从尺度和方向进行考虑，选取了4个不同尺度
Figure BDA0002300225150000082
以及12个方向的滤波器，在每个像素点都进行12次不同方向的滤波，选取最大响应的一个作为最终的响应输出，所得到的滤波器公式如下所示：
Figure BDA0002300225150000083
S2.2：利用imadjust()函数对图像进行灰度调整，通过调整灰度范围，使血管图像显示的更加清晰，最终将处理结果图像转换称为二值图像BR；
S2.3：进行去轮廓操作，需利用ROI感兴趣区域提取获得掩膜并得到其轮廓灰度图与二值图像BR1，通过对BR与BR1的像素值进行减操作，从而将轮廓消除，得到完整的血管图像，其中表达式如下所示：
I＝I(BR)-I(BR1) (5)
S2.4：利用形态学处理中的腐蚀和膨胀操作对图像中的血管进行去噪声和断点连续，并提取连通域，对所提取连通域区域进行平均阈值赋值，从而完成血管擦除，为之后视盘分割消除一定干扰；
完成以上操作步骤，所得到的图像为R1(x,y)
S3：对血管擦除后的图像R进行视盘定位，由于视盘区域的像素平均亮度和像素值的方差比其他区域的像素灰度方差大，故选择选取图像中亮度值最大的0.2％的像素点，并以这些像素点的几何中心作为视盘区域的中心坐标，以整个眼底图像的1/64大小的矩形框作为边界，裁剪出视盘区域，得到定位图像R2(x,y)；
S4：利用FCM(模糊C均值)算法进行视盘分割。FCM算法是一种基于划分的聚类算法，主要是使得被划分到同一簇的对象之间相似度最大，从而实现图像的分割效果，在对视盘进行分割的过程中主要是对聚类中心的计算和更新以及隶属度的计算；
S4.1：其中FCM算法是把n个向量xi(i＝1,2,…,n)分为C个模糊组，并求出每组的聚类中心，使得非相似性指标的价值数值J达到最小，而此价值数值J即为目标函数，其函数表达式如下所示：
Figure BDA0002300225150000091
其中，公式(6)中m表示模糊度，一般取值为2，dij表示样本点到聚类中心的距离测度，通常用欧氏距离表示，Ci表示模糊组I的聚类中心uij表示隶属度矩阵元素，相应隶属度矩阵元素须满足三个约束条件，约束条件如下表示：
Figure BDA0002300225150000092
S4.1：通过联立目标函数和约束条件，根据拉格朗日极值条件得出隶属度和聚类中心的迭代公式如下所示：
Figure BDA0002300225150000101
在实施以上步骤的过程中，根据发明内容仿真出相应图像，如图2中为获取原图图像已及进行颜色通道变换的绿色通道图像；图3、图4、图5为血管分割的全部过程，按顺序分别是血管增强中的直方图均衡化，匹配滤波，调整图像灰度及其相应的二值图，随之为去轮廓操作中的获取掩膜，最后为完整的血管分割图像；图4为剪切后的视盘定位图像及其血管擦除后的定位图像；图5为最终利用FCM分割算法完成的视盘分割图像；
在实施以上步骤的过程中，利用matlab对程序中参数的调整具有关键作用，其中在血管处理的过程中，影响其最终结果主要有3个参数因素，分别是匹配滤波中的影响粗细和平滑效果因素以及调整灰度范围；在分割完成后的形态学处理中的膨胀与腐蚀操作中直接影响断点的连续，从而影响最终效果。

Claims (6)

1.一种糖尿病视网膜图像视盘分割方法，其特征在于采用模糊C均值算法(FCM)进行视盘分割。
2.根据权利要求书1所述的基于FCM的糖尿病视网膜图像视盘分割方法，其特征在于，包括以下步骤：
S1：获取待处理的原眼底图像R'(x,y)，并对图像R'(x,y)进行图像预处理；
S2：对预处理后图像R(x,y)进行血管处理，包括血管分割与擦除
S3：对血管擦除后的图像R进行视盘定位；
S4：利用FCM(模糊C均值)算法进行视盘分割。
3.根据权利要求书2所述的基于FCM的糖尿病视网膜图像视盘分割方法，其特征在于，所述步骤S1的具体步骤为：
S1.1：选取原眼底图像R'(x,y)中RGB颜色通道中整体对比度较高，视盘亮度与血管轮廓具有较强清晰度的G通道分量图像R”(x,y)作为处理图像；
S1.2：利用均值滤波法进行图像噪声削弱，主要是取其图像上每一像素点周围的邻域点，求出这些像素点的平均灰度值用以替代该点原本灰度值，其均值滤波结果R”'(x,y)可以表示为如下公式：
Figure FDA0002300225140000011
4.根据权利要求书2所述的基于FCM的糖尿病视网膜图像视盘分割方法，其特征在于，所述步骤S2的具体步骤为：
S2.1：利用自适应直方图均衡(AHE)对血管进行增强，并利用匹配滤波对血管增强进行进一步细化改善；
其中，利用AHE进行血管增强是通过计算每一个像素邻域的变换函数来对每个像素执行直方图增强，通常对每一个像素加上一个比中心像素小的值来获得，或者在每一个像素上加上一个邻域像素均值，邻域的尺寸是一个邻域长度的尺度参数，当这个参数较大时，会降低对比度；反之增强对比度，从而对血管增强达到良好的效果，其相应自适应公式如下所示：
Figure FDA0002300225140000021
Figure FDA0002300225140000022
S2.2：利用imadjust()函数对图像进行灰度调整，通过调整灰度范围，使血管图像显示的更加清晰，最终将处理结果图像转换称为二值图像BR；
S2.3：进行去轮廓操作，需利用ROI感兴趣区域提取获得掩膜并得到其轮廓灰度图与二值图像BR1，通过对BR与BR1的像素值进行减操作，从而将轮廓消除，得到完整的血管图像，其中表达式如下所示：
I＝I(BR)-I(BR1)
S2.4：利用形态学处理中的腐蚀和膨胀操作对图像中的血管进行去噪声和断点连续，并提取连通域，对所提取连通域区域进行平均阈值赋值，从而完成血管擦除，为之后视盘分割消除一定干扰。
5.根据权利要求书2所述的基于FCM的糖尿病视网膜图像视盘分割方法，其特征在于，所述步骤S3的具体步骤为：
S3：对血管擦除后的图像R进行视盘定位，由于视盘区域的像素平均亮度和像素值的方差比其他区域的像素灰度方差大，故选择选取图像中亮度值最大的0.2％的像素点，并以这些像素点的几何中心作为视盘区域的中心坐标，以整个眼底图像的1/64大小的矩形框作为边界，裁剪出视盘区域，得到定位图像R2(x,y)。
6.根据权利要求书2所述的基于FCM的糖尿病视网膜图像视盘分割方法，其特征在于，所述步骤S4的具体步骤为：
利用FCM(模糊C均值)算法进行视盘分割。FCM算法是一种基于划分的聚类算法，主要是使得被划分到同一簇的对象之间相似度最大，从而实现图像的分割效果，在对视盘进行分割的过程中主要是对聚类中心的计算和更新以及隶属度的计算；
S4.1：其中FCM算法是把n个向量xi(i＝1,2,…,n)分为C个模糊组，并求出每组的聚类中心，使得非相似性指标的价值数值J达到最小，而此价值数值J即为目标函数，其函数表达式如下所示：
Figure FDA0002300225140000031
其中，公式中m表示模糊度，一般取值为2，dij表示样本点到聚类中心的距离测度，通常用欧氏距离表示，Ci表示模糊组I的聚类中心uij表示隶属度矩阵元素，相应隶属度矩阵元素须满足三个约束条件，约束条件如下表示：
uij∈[0,1],
Figure FDA0002300225140000041
S4.1：通过联立目标函数和约束条件，根据拉格朗日极值条件得出隶属度和聚类中心的迭代公式如下所示：
Figure FDA0002300225140000042
。
CN201911219540.8A 2019-12-03 2019-12-03 一种基于fcm的糖尿病视网膜图像视盘分割方法 Pending CN110889846A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911219540.8A CN110889846A (zh) 2019-12-03 2019-12-03 一种基于fcm的糖尿病视网膜图像视盘分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911219540.8A CN110889846A (zh) 2019-12-03 2019-12-03 一种基于fcm的糖尿病视网膜图像视盘分割方法

Publications (1)

Publication Number Publication Date
CN110889846A true CN110889846A (zh) 2020-03-17

Family

ID=69750114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911219540.8A Pending CN110889846A (zh) 2019-12-03 2019-12-03 一种基于fcm的糖尿病视网膜图像视盘分割方法

Country Status (1)

Country Link
CN (1) CN110889846A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445473A (zh) * 2020-03-31 2020-07-24 复旦大学 基于血管内超声图像序列多角度重建的血管膜精确分割方法及系统
CN112016421A (zh) * 2020-08-20 2020-12-01 上海志唐健康科技有限公司 一种基于三角匹配的快速视网膜身份识别方法
CN115952432A (zh) * 2022-12-21 2023-04-11 四川大学华西医院 一种基于糖尿病数据的无监督聚类方法
CN116309549A (zh) * 2023-05-11 2023-06-23 爱尔眼科医院集团股份有限公司 一种眼底区域检测方法、装置、设备及可读存储介质
CN117495817A (zh) * 2023-11-10 2024-02-02 佛山市禅一智能设备有限公司 一种腔镜下血管异常图像判断方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026789A1 (en) * 2008-04-08 2011-02-03 National University Of Singapore Retinal image analysis systems and methods
CN104835157A (zh) * 2015-05-04 2015-08-12 北京工业大学 基于改进pde图像修补的眼底图像视杯自动分割方法
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026789A1 (en) * 2008-04-08 2011-02-03 National University Of Singapore Retinal image analysis systems and methods
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN104835157A (zh) * 2015-05-04 2015-08-12 北京工业大学 基于改进pde图像修补的眼底图像视杯自动分割方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SURAYA MOHAMMAD等: "Segmentation of optic disc in retina images using texture", SURAYA MOHAMMAD等，2014 INTERNATIONAL CONFERENCE ON COMPUTER VISION THEORY AND APPLICATIONS，IEEE, pages 1 - 8 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111445473A (zh) * 2020-03-31 2020-07-24 复旦大学 基于血管内超声图像序列多角度重建的血管膜精确分割方法及系统
CN111445473B (zh) * 2020-03-31 2023-04-28 复旦大学 基于血管内超声图像序列多角度重建的血管膜精确分割方法及系统
CN112016421A (zh) * 2020-08-20 2020-12-01 上海志唐健康科技有限公司 一种基于三角匹配的快速视网膜身份识别方法
CN115952432A (zh) * 2022-12-21 2023-04-11 四川大学华西医院 一种基于糖尿病数据的无监督聚类方法
CN115952432B (zh) * 2022-12-21 2024-03-12 四川大学华西医院 一种基于糖尿病数据的无监督聚类方法
CN116309549A (zh) * 2023-05-11 2023-06-23 爱尔眼科医院集团股份有限公司 一种眼底区域检测方法、装置、设备及可读存储介质
CN116309549B (zh) * 2023-05-11 2023-10-03 爱尔眼科医院集团股份有限公司 一种眼底区域检测方法、装置、设备及可读存储介质
CN117495817A (zh) * 2023-11-10 2024-02-02 佛山市禅一智能设备有限公司 一种腔镜下血管异常图像判断方法及装置

Similar Documents

Publication Publication Date Title
CN110889846A (zh) 一种基于fcm的糖尿病视网膜图像视盘分割方法
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
Aquino et al. Detecting the optic disc boundary in digital fundus images using morphological, edge detection, and feature extraction techniques
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
Xiong et al. An approach to locate optic disc in retinal images with pathological changes
CN108109159B (zh) 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统
CN111640128A (zh) 一种基于U-Net网络的细胞图像分割方法
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
CN104766316A (zh) 中医望诊中新型嘴唇分割算法
CN111223110A (zh) 一种显微图像增强方法、装置及计算机设备
CN109872337B (zh) 一种基于快速均值移位的眼底图像视盘分割方法
CN111340773A (zh) 一种视网膜图像血管分割方法
CN106530316B (zh) 综合眼底图像边缘信息和亮度信息的视盘分割方法
CN106529420B (zh) 综合眼底图像边缘信息和亮度信息的视盘中心定位方法
Zhou et al. A novel approach for red lesions detection using superpixel multi-feature classification in color fundus images
Gou et al. A novel retinal vessel extraction method based on dynamic scales allocation
CN111292285B (zh) 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法
CN111899272A (zh) 基于耦合神经网络和线连接器的眼底图像血管分割方法
CN111861977A (zh) 一种基于机器视觉的眼前节断层图像的特征提取方法
CN110458042B (zh) 一种荧光ctc中的探针数目检测方法
Ashame et al. Abnormality Detection in Eye Fundus Retina
CN110751064B (zh) 基于图像处理的眨眼次数分析方法和系统
CN113269756A (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
CN111291706A (zh) 一种视网膜图像视盘定位方法

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