CN111000563A - 一种视网膜动脉静脉直径比自动测量方法及装置 - Google Patents

一种视网膜动脉静脉直径比自动测量方法及装置 Download PDF

Info

Publication number
CN111000563A
CN111000563A CN201911158755.3A CN201911158755A CN111000563A CN 111000563 A CN111000563 A CN 111000563A CN 201911158755 A CN201911158755 A CN 201911158755A CN 111000563 A CN111000563 A CN 111000563A
Authority
CN
China
Prior art keywords
diameter
vein
network
artery
blood vessel
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
Application number
CN201911158755.3A
Other languages
English (en)
Other versions
CN111000563B (zh
Inventor
王涌天
杨健
范敬凡
赵靖亮
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911158755.3A priority Critical patent/CN111000563B/zh
Publication of CN111000563A publication Critical patent/CN111000563A/zh
Application granted granted Critical
Publication of CN111000563B publication Critical patent/CN111000563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B3/14—Arrangements specially adapted for eye photography
    • 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
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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
    • G06T2207/30104—Vascular flow; Blood flow; Perfusion

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ophthalmology & Optometry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Geometry (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

一种视网膜动脉静脉直径比自动测量方法及装置，其能够自动地计算对应AVR指标，提高了AVR计算的准确度和自动化程度，实现了AVR指标的精确测量，提高了临床疾病诊疗的处理速度。方法包括：(1)用眼底成像设备获取视网膜图像；(2)进行视盘定位与血管分割；(3)基于中心线，进行血管拓扑分析；(4)基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。

Description

一种视网膜动脉静脉直径比自动测量方法及装置
技术领域
本发明涉及医学图像处理的技术领域，尤其涉及一种视网膜动脉静脉直径比(Arteriolar-to-Venular Diameter Ratio,AVR)自动测量方法，以及视网膜动脉静脉直径比自动测量装置。
背景技术
在特定系统性疾病(如糖尿病和高血压)的影响下，视网膜血管内的压力发生异常改变，导致血管形态发生变化。AVR(视网膜动脉静脉直径比，Arteriolar-to-VenularDiameter Ratio)是评价血管内压力水平变化的重要临床指标，与五年心血管疾病发病概率相关性较高。此外，AVR可预测中年人中风的发生，为早产儿视网膜病变综合征和糖尿病视网膜疾病提供辅助诊断信息。因而，设计一种准确、自动化的AVR测量方法对眼底疾病的预防和筛查具有重要的临床意义。
计算机辅助的AVR测量方法通常由血管分割、动脉/静脉分类和血管直径测量三个步骤组成。视网膜血管的解剖结构非常复杂，加之图像分辨率非常有限，当前研究领域内AVR计算方法存在如下三点挑战：
1、AVR测量所需首先提取血管区域，但视网膜图像血管成像不清晰、血管尺度变化过大，导致血管区域不完整。
2、AVR测量需分别计算动脉和静脉的直径，但图形受光不均衡，动脉和静脉存在大量交叠，当前分类算法难以满足精确分类的需求。
3、现有AVR测量算法需依赖一定量的人工交互实现血管的分割与分类，降低了系统的处理速度。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种视网膜动脉静脉直径比自动测量方法，其能够自动地计算对应AVR指标，提高了AVR计算的准确度和自动化程度，实现了AVR指标的精确测量，提高了临床疾病诊疗的处理速度。
本发明的技术方案是：这种视网膜动脉静脉直径比自动测量方法，其包括以下步骤：
(1)用眼底成像设备获取视网膜图像；
(2)进行视盘定位与血管分割；
(3)基于中心线，进行血管拓扑分析；
(4)基于深度卷积网络，将血管树分类为动脉或静脉，计算采样
点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
本发明以视网膜图像为基础，通过全卷积网络进行血管区域提取，克服了血管尺度变化大、成像不清晰的问题，确保了血管结构的精确性和完整性；通过血管拓扑分析技术和深度卷积网络分类血管树的类别，解决了光照不均衡引起的特征不均匀问题，实现了采样点类别的精确估计；根据采样点的直径和血管类型完成AVR计算，无需任何人工交互，即可快速、准确地完成视网膜AVR测量工作；因此能够自动地计算对应AVR指标，提高了AVR计算的准确度和自动化程度，实现了AVR指标的精确测量，提高了临床疾病诊疗的处理速度。
还提供了一种视网膜动脉静脉直径比自动测量装置，其包括：
采集模块，其配置来用眼底成像设备获取视网膜图像；
预处理模块，其配置来进行视盘定位与血管分割，用于确定血管区域和根节点位置；
拓扑分析模块，其配置来基于中心线，进行血管拓扑分析，用于分离相互交叠的动脉/静脉血管树；
直径测量模块，其配置来基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
附图说明
图1是根据本发明的视网膜动脉静脉直径比自动测量方法的流程示意图。
图2是根据本发明的视网膜动脉静脉直径比自动测量装置的示意图。
图3是根据本发明实施例的全卷积网络示意图。
图4是根据本发明实施例的深度卷积网络示意图。
图5是根据本发明实施例的AVR血管直径估计示意图。
具体实施方式
如图1所示，这种视网膜动脉静脉直径比自动测量方法，其包括以下步骤：
(1)用眼底成像设备获取视网膜图像；
(2)进行视盘定位与血管分割；
(3)基于中心线，进行血管拓扑分析；
(4)基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
本发明以视网膜图像为基础，通过全卷积网络进行血管区域提取，克服了血管尺度变化大、成像不清晰的问题，确保了血管结构的精确性和完整性；通过血管拓扑分析技术和深度卷积网络分类血管树的类别，解决了光照不均衡引起的特征不均匀问题，实现了采样点类别的精确估计；根据采样点的直径和血管类型完成AVR计算，无需任何人工交互，即可快速、准确地完成视网膜AVR测量工作；因此能够自动地计算对应AVR指标，提高了AVR计算的准确度和自动化程度，实现了AVR指标的精确测量，提高了临床疾病诊疗的处理速度。
优选地，所述步骤(2)中，通过梯度特征投影方法(Mahfouz A E,Fahmy A S.Fastlocalization of the optic disc using projection of image features[J].IEEETransactions on Image Processing,2010,19(12):3285-3289.)和全卷积网络方法提取视盘位置和血管区域。
优选地，所述步骤(2)中全卷积网络为：
网络左侧由一系列卷积层和最大池化层组成，其目的是将输入图像映射至低维度空间，实现图像特征的提取；网络右侧的卷积层均附带一个激活线性单元ReLU(RectifiedLinear Unit,ReLU)，其作用有以下三点：第一，节省反向传播的计算量；第二，缓解梯度消失的情况；第三，缓解过拟合问题；为了实现像素至像素的分类效果，网络右侧还增加了一系列上采样层，将特征向量还原为原始图像大小；网络最后的1x1卷积层使输出特征图的层数与分类类别数相匹配。
优选地，所述步骤(2)中，
网络的输出特征向量首先被soft-max函数处理，进而将交叉熵作为损失函数；输出特征向量的soft-max值通过公式(1)确定：
Figure BDA0002285499340000041
其中，血管区域提取可看作一个二分类问题，因此分类类别数C＝2，ai(x)表示第i特征通道、位置x处的响应值，x∈Ω，
Figure BDA0002285499340000042
进而，损失函数通过公式(2)确定：
L＝-∑x∈Ωlog(pl(x)(x)) (2)
其中，l(x)表示位置x处的真实分类结果。
优选地，所述步骤(3)中，基于视盘位置和血管区域，使用血管拓扑结构分析方法(Jingliang Zhao,Dan Ai,Yong Huang,Hong Song,Yongtian Wang,JianYang.Quantitation of vascular morphology by directed graph construction[J].IEEE Access,2019,7:21609-21622.)将血管树分离。
优选地，所述步骤(4)中深度卷积网络为：
网络的输入为沿中心线提取的图像块，输出为该图像块的动脉/静脉类别；
网络左侧包括依次连接的若干个特征提取层，所述第一个特征提取层用于输入偏移截面，输出特征矩阵，之后的特征提取层用于接收上一层输出的特征矩阵，输出更紧凑特征矩阵，采用3个特征提取层(需要说明的是，特征提取层的用途用于获得血管的特征，为了防止过拟合现象发生，特征提取层的个数不易过多，为了平衡网络拟合能力和运算负担，本发明实施例采用3个特征提取层)；
网络右侧为全连接层，用于输入最后一层特征提取层输出的特征矩阵，输出映射至最优维度的特征矩阵；
激活函数层，用于输入所述映射至最优维度的特征矩阵，输出偏移参数。
优选地，所述深度卷积网络的损失函数定义为公式(3)：
xi＝xi-max(x1,…,xn)
Figure BDA0002285499340000051
Loss＝-log(pk) (3)
其中，xi为网络估计值，Pi为归一化的估计值，当xi与实际类别一致时，Loss最小，n表示网络输出的个数，由于本发明实施例的血管分为动脉和静脉两类，n的值为2。
优选地，在一系列采样点上估计AVR所需血管直径，采样点位于血管中心线和一系列同心圆的交点上，所有同心圆均以视盘中心为圆心，直径分别为视盘直径的2、2.5和3倍，在中心线与同心圆的交点处作血管区域的内接圆，将内接圆的直径di识别为该采样点的血管直径；
统计这些直径的均值，通过公式(4)计算视网膜图像的AVR
Figure BDA0002285499340000061
其中，dai为动脉的直径，dvi为静脉的直径，m和n分别为动脉和静脉的采样点个数。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种视网膜动脉静脉直径比自动测量装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。如图2所示，该装置包括：
采集模块，其配置来用眼底成像设备获取视网膜图像；(图2中未示出)
预处理模块，其配置来进行视盘定位与血管分割，用于确定血管区域和根节点位置；
拓扑分析模块，其配置来基于中心线，进行血管拓扑分析，用于分离相互交叠的动脉/静脉血管树；
直径测量模块，其配置来基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (9)

1.一种视网膜动脉静脉直径比自动测量方法，其特征在于：其包括以下步骤：
(1)用眼底成像设备获取视网膜图像；
(2)进行视盘定位与血管分割；
(3)基于中心线，进行血管拓扑分析；
(4)基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
2.根据权利要求1所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述步骤(2)中，通过梯度特征投影方法和全卷积网络方法提取视盘位置和血管区域。
3.根据权利要求2所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述步骤(2)中全卷积网络为：
网络左侧由一系列卷积层和最大池化层组成；网络右侧的卷积层均附带一个激活线性单元ReLU；网络右侧还增加了一系列上采样层，将特征向量还原为原始图像大小；网络最后的1x1卷积层使输出特征图的层数与分类类别数相匹配。
4.根据权利要求3所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述步骤(2)中，
网络的输出特征向量首先被soft-max函数处理，进而将交叉熵作为损失函数；输出特征向量的soft-max值通过公式(1)确定：
Figure FDA0002285499330000011
其中，分类类别数C＝2，ai(x)表示第i特征通道、位置x处的响应值，x∈Ω，
Figure FDA0002285499330000021
进而，损失函数通过公式(2)确定：
L＝-∑x∈Ωlog(pl(x)(x)) (2)
其中，l(x)表示位置x处的真实分类结果。
5.根据权利要求4所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述步骤(3)中，基于视盘位置和血管区域，使用血管拓扑结构分析方法将血管树分离。
6.根据权利要求5所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述步骤(4)中深度卷积网络为：
网络的输入为沿中心线提取的图像块，输出为该图像块的动脉/静脉类别；
网络左侧包括依次连接的若干个特征提取层，所述第一个特征提取层用于输入偏移截面，输出特征矩阵，之后的特征提取层用于接收上一层输出的特征矩阵，输出更紧凑特征矩阵，采用3个特征提取层；
网络右侧为全连接层，用于输入最后一层特征提取层输出的特征矩阵，输出映射至最优维度的特征矩阵；
激活函数层，用于输入所述映射至最优维度的特征矩阵，输出偏移参数。
7.根据权利要求6所述的视网膜动脉静脉直径比自动测量方法，其特征在于：所述深度卷积网络的损失函数定义为公式(3)：
xi＝xi-max(x1,…,xn)
Figure FDA0002285499330000022
Loss＝-log(pk) (3)
其中，xi为网络估计值，Pi为归一化的估计值，当xi与实际类别一致时，Loss最小，n表示网络输出的个数，n的值为2。
8.根据权利要求7所述的视网膜动脉静脉直径比自动测量方法，其特征在于：
在一系列采样点上估计AVR所需血管直径，采样点位于血管中心线和一系列同心圆的交点上，所有同心圆均以视盘中心为圆心，直径分别为视盘直径的2、2.5和3倍，在中心线与同心圆的交点处作血管区域的内接圆，将内接圆的直径di识别为该采样点的血管直径；
统计这些直径的均值，通过公式(4)计算视网膜图像的AVR
Figure FDA0002285499330000031
其中，dai为动脉的直径，dvi为静脉的直径，m和n分别为动脉和静脉的采样点个数。
9.一种视网膜动脉静脉直径比自动测量装置，其特征在于：其包括：
采集模块，其配置来用眼底成像设备获取视网膜图像；
预处理模块，其配置来进行视盘定位与血管分割，用于确定血管区域和根节点位置；
拓扑分析模块，其配置来基于中心线，进行血管拓扑分析，用于分离相互交叠的动脉/静脉血管树；
直径测量模块，其配置来基于深度卷积网络，将血管树分类为动脉或静脉，计算采样点位置的直径和类别，完成视网膜动脉静脉直径比AVR的测量。
CN201911158755.3A 2019-11-22 2019-11-22 一种视网膜动脉静脉直径比自动测量方法及装置 Active CN111000563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911158755.3A CN111000563B (zh) 2019-11-22 2019-11-22 一种视网膜动脉静脉直径比自动测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911158755.3A CN111000563B (zh) 2019-11-22 2019-11-22 一种视网膜动脉静脉直径比自动测量方法及装置

Publications (2)

Publication Number Publication Date
CN111000563A true CN111000563A (zh) 2020-04-14
CN111000563B CN111000563B (zh) 2020-12-11

Family

ID=70112786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911158755.3A Active CN111000563B (zh) 2019-11-22 2019-11-22 一种视网膜动脉静脉直径比自动测量方法及装置

Country Status (1)

Country Link
CN (1) CN111000563B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681242A (zh) * 2020-08-14 2020-09-18 北京至真互联网技术有限公司 视网膜血管动静脉区分方法和装置、设备
CN111681276A (zh) * 2020-06-11 2020-09-18 北京大恒普信医疗技术有限公司 眼底图像中的动静脉直径比的确定方法、装置及电子设备
CN111899245A (zh) * 2020-07-30 2020-11-06 北京推想科技有限公司 图像分割、模型的训练方法及装置，电子设备及存储介质
CN113269737A (zh) * 2021-05-17 2021-08-17 西安交通大学 一种眼底视网膜动静脉血管直径计算方法及系统
CN113425248A (zh) * 2021-06-24 2021-09-24 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN117808804A (zh) * 2024-02-29 2024-04-02 中国医学科学院北京协和医院 超声图像中桡动脉前壁深度的自动测量方法和存储介质
US11972571B2 (en) 2020-07-30 2024-04-30 Infervision Medical Technology Co., Ltd. Method for image segmentation, method for training image segmentation model
CN117808804B (zh) * 2024-02-29 2024-06-07 中国医学科学院北京协和医院 超声图像中桡动脉前壁深度的自动测量方法和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012100221A1 (en) * 2011-01-20 2012-07-26 University Of Iowa Research Foundation Automated determination of arteriovenous ratio in images of blood vessels
CN106846301A (zh) * 2016-12-29 2017-06-13 北京理工大学 视网膜图像分类方法及装置
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及系统
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
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN110310323A (zh) * 2018-03-20 2019-10-08 天津工业大学 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012100221A1 (en) * 2011-01-20 2012-07-26 University Of Iowa Research Foundation Automated determination of arteriovenous ratio in images of blood vessels
CN106846301A (zh) * 2016-12-29 2017-06-13 北京理工大学 视网膜图像分类方法及装置
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及系统
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
CN110310323A (zh) * 2018-03-20 2019-10-08 天津工业大学 基于Hessian矩阵和二维高斯拟合的视网膜血管管径测量方法
CN108765422A (zh) * 2018-06-13 2018-11-06 云南大学 一种视网膜图像血管自动分割方法
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
AHMED E. MAHFOUZ等: "Fast Localization of the Optic Disc Using Projection of Image Features", 《 IEEE TRANSACTIONS ON IMAGE PROCESSING》 *
BAMBANG KRISMONO TRIWIJOYO等: "The Classification of Hypertensive Retinopathy using Convolutional Neural Network", 《PROCEDIA COMPUTER SCIENCE》 *
FANTIN GIRARD等: "Artery/vein classification in fundus images using CNN and likelihood score propagation", 《2017 IEEE GLOBAL CONFERENCE ON SIGNAL AND INFORMATION PROCESSING (GLOBALSIP)》 *
FANTIN GIRARD等: "Joint segmentation and classification of retinal arteries/veins from fundus images", 《ARTIFICIAL INTELLIGENCE IN MDEICINE》 *
JINGLIANG ZHAO等: "Quantitation of Vascular Morphology by Directed Graph Construction", 《IEEE ACCESS》 *
KIRUTHIKA. M等: "Artery and Vein classification for hypertensive retinopathy", 《2019 3RD INTERNATIONAL CONFERENCE ON TRENDS IN ELECTRONICS AND INFORMATICS (ICOEI)》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111681276A (zh) * 2020-06-11 2020-09-18 北京大恒普信医疗技术有限公司 眼底图像中的动静脉直径比的确定方法、装置及电子设备
CN111899245A (zh) * 2020-07-30 2020-11-06 北京推想科技有限公司 图像分割、模型的训练方法及装置，电子设备及存储介质
US11972571B2 (en) 2020-07-30 2024-04-30 Infervision Medical Technology Co., Ltd. Method for image segmentation, method for training image segmentation model
CN111681242A (zh) * 2020-08-14 2020-09-18 北京至真互联网技术有限公司 视网膜血管动静脉区分方法和装置、设备
CN113269737A (zh) * 2021-05-17 2021-08-17 西安交通大学 一种眼底视网膜动静脉血管直径计算方法及系统
CN113269737B (zh) * 2021-05-17 2024-03-19 北京鹰瞳科技发展股份有限公司 一种眼底视网膜动静脉血管直径计算方法及系统
CN113425248A (zh) * 2021-06-24 2021-09-24 平安科技（深圳）有限公司 医疗影像评估方法、装置、设备及计算机存储介质
CN117808804A (zh) * 2024-02-29 2024-04-02 中国医学科学院北京协和医院 超声图像中桡动脉前壁深度的自动测量方法和存储介质
CN117808804B (zh) * 2024-02-29 2024-06-07 中国医学科学院北京协和医院 超声图像中桡动脉前壁深度的自动测量方法和存储介质

Also Published As

Publication number Publication date
CN111000563B (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN111000563B (zh) 一种视网膜动脉静脉直径比自动测量方法及装置
US20200155106A1 (en) Systems and methods for estimating healthy lumen diameter and stenosis quantificaton in coronary arteries
JP5492869B2 (ja) 網膜画像分析システム及び方法
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
Liu et al. A framework of wound segmentation based on deep convolutional networks
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
CN112529839A (zh) 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
CN111667456A (zh) 一种冠状动脉x光序列造影中血管狭窄检测方法及装置
CN111932554A (zh) 一种肺部血管分割方法、设备及存储介质
CN111797901A (zh) 一种基于拓扑结构估计的视网膜动静脉分类方法及装置
CN113269737B (zh) 一种眼底视网膜动静脉血管直径计算方法及系统
CN115578783B (zh) 基于眼部图像进行眼部疾病识别的装置、方法及相关产品
WO2021184802A1 (zh) 一种血压分类预测方法和装置
CN117058676B (zh) 一种基于眼底检查影像的血管分割方法、装置和系统
CN111797900B (zh) 一种oct-a图像的动静脉分类方法及装置
CN111178420A (zh) 一种二维造影图像上冠脉段标注方法及系统
Mao et al. Deep learning with skip connection attention for choroid layer segmentation in oct images
CN112635064B (zh) 一种基于深度pca变换的早期糖尿病风险预测方法
EP4365829A1 (en) Binocular keratoconus diagnosis method based on multi-modal data
CN115836847A (zh) 一种血压预测装置及设备
CN115249248A (zh) 基于眼底图像的视网膜动静脉血管直接识别方法和系统
CN111210436B (zh) 晶状体分割方法、装置及存储介质
CN112862782A (zh) 一种基于R-Unet的人眼玻璃体混浊程度分级方法
CN112826442A (zh) 基于眼底图像的心理状态识别方法及设备
CN112862804B (zh) 一种眼底视网膜血管图像处理系统及方法

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
GR01 Patent grant
GR01 Patent grant