CN111292338B - 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 - Google Patents
一种从眼底oct图像中分割脉络膜新生血管的方法及系统 Download PDFInfo
- Publication number
- CN111292338B CN111292338B CN202010073201.XA CN202010073201A CN111292338B CN 111292338 B CN111292338 B CN 111292338B CN 202010073201 A CN202010073201 A CN 202010073201A CN 111292338 B CN111292338 B CN 111292338B
- Authority
- CN
- China
- Prior art keywords
- choroidal neovascularization
- loss function
- amplification module
- differential amplification
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G06T2207/30101—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)
- Image Analysis (AREA)
Abstract
本发明公开了医学图像处理技术领域的一种从眼底OCT图像中分割脉络膜新生血管的方法及系统,旨在解决现有技术中脉络膜新生血管的分割结果中分割准确度低、病变的边界区域不清晰的技术问题,采集包含脉络膜新生血管病变的眼底OCT图像;构建基于差分放大模块的卷积神经网络;训练构建的基于差分放大模块的卷积神经网络并测试;使用训练好的网络从眼底OCT图像中分割脉络膜新生血管。本发明采用VGG16作为U‑Net网络的编码部分,在每个卷积块的池化操作之后连接一个差分放大模块,构成跳跃连接,来增加网络在训练时对高低频信息的注意,采用二进制交叉熵损失函数和Dice损失函数之和作为损失函数来约束整个网络,分割准确度高、病变的边界区域更加清晰精确。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种从眼底OCT图像中分割脉络膜新生血管的方法及系统。
背景技术
脉络膜新生血管(CNV)是视网膜中脉络膜疾病(如老年性黄斑病变,高度近视等疾病)的病理表现形式,这种疾病会伤害人的主要视力,严重情况下可能会导致失明。眼底的荧光造影(FA)与吲哚青绿造影(ICGA)是早期观察这种疾病的方式,但是由于眼底图像给出的是视网膜结构的二维信息,我们只能观察到CNV的位置与形状。光学相干断层成像技术(OCT)的出现为观察视网膜的三维结构带来了很大的帮助,除了拥有高分辨率,而且还是非侵入式成像(可以避免FA与ICGA成像可能会引起的不良反应如恶心,眩晕等问题),因此在OCT图像上对脉络膜新生血管的分析是现在的主要方式。
在临床实际中,根据CNV与色素上皮层(RPE)之间的关系,可以将CNV分为两类。第一类是指来自脉络膜的新生血管穿过布鲁赫膜长到RPE的下方,第二种是指新生血管穿过RPE层长入神经纤维层。在OCT影像中,异常血管常被出血、渗出液所掩盖,甚至隐藏在脉络膜内。可以观察和定量的是病理区域表现为隆起或部分缺失的RPE,其下为高反射区或部分高反射区。此外,在对脉络膜新生血管的分割过程中由于CNV的不同大小,灰度以及一些上下边界的缺失使得分割结果中病变的边界区域不是很清晰,分割准确度低,如语义分割网络Seg-Net(V.Badrinarayanan,A.Kendall,R.Cipolla,“SegNet:A deep convolutionalencoder-decoder architecture for scene segmentation,”IEEE Transactions onPattern Analysis and Machine Intelligence,2017.)、金字塔场景解析网络PSP-Net(H.Zhao,J.Shi,X Qi,et al,“Pyramid scene parsing network,”IEEE Conference onComputer Vision and Pattern Recognition 2017.)等。
发明内容
本发明的目的在于提供一种从眼底OCT图像中分割脉络膜新生血管的方法及系统,以解决现有技术中脉络膜新生血管的分割结果中分割准确度低、病变的边界区域不清晰的技术问题。
为达到上述目的,本发明所采用的技术方案是:一种从眼底OCT图像中分割脉络膜新生血管的方法,包括,
a、采集包含脉络膜新生血管病变的眼底OCT图像,并分为训练集和测试集;
b、构建基于差分放大模块的卷积神经网络,采用VGG16作为U-Net网络中编码部分的特征提取器;在每个卷积块的池化操作之后连接一个差分放大模块,构成跳跃连接,提取不同分辨率下图像的高频信息和低频信息,所述高频信息和所述低频信息分别经过卷积进一步提取特征,通过上采样恢复到输入特征图的尺寸;
c、使用训练集训练构建的基于差分放大模块的卷积神经网络,并通过测试集进行测试;
d、使用训练好的基于差分放大模块的卷积神经网络从眼底OCT图像中分割脉络膜新生血管,得到分割结果。
所述步骤b中,差分放大模块通过将卷积核大小为2×2的平均池化操作作为低通滤波器提取图像的低频信息,将差操作作为高通滤波器提取图像的高频信息。
所述将差操作作为高通滤波器提取图像的高频信息,具体为:将原始图像通过核大小为2×2的最大池化与卷积操作,2×2的最大池化得到2×2区域内像素的最大值,2×2的卷积将图像分辨率降到原来的四分之一,保持它的大小与最大池化后的大小一致,最后将这两部分做差,就得到高频信息。
所述步骤c中,训练构建的基于差分放大模块的卷积神经网络的方式包括损失函数,所述损失函数包括二进制交叉熵损失函数和Dice损失函数;所述损失函数为:
loss=lossbce+lossdice (3)
其中,lossbce代表二进制交叉熵损失函数,xi代表金标准图像中第i个像素值,yi代表网络的预测结果中的第i个像素值,n代表图像的总像素数,lossdice代表Dice损失函数,loss代表损失函数。
所述步骤c中,训练构建的基于差分放大模块的卷积神经网络的方式包括采用学习率为0.00001的Adam优化器对网络中的权重参数进行优化。
所述步骤c中,训练构建的基于差分放大模块的卷积神经网络的方式包括将训练集中的图像经过随机水平翻转和/或缩放的方式进行数据扩充。
一种从眼底OCT图像中分割脉络膜新生血管的系统,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行上述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
(1)本发明采用VGG16作为U-Net网络的编码部分,为网络提供更丰富的语义信息,在每个卷积块的池化操作之后连接一个差分放大模块来增加网络在训练时对高低频信息的注意,最后再通过U-Net网络的解码部分得到分割结果,分割准确度高、病变的边界区域更加清晰精确;
(2)本发明采用二进制交叉熵损失函数和Dice损失函数之和作为损失函数来约束整个网络,使得分割结果更加精确。
附图说明
图1是本发明实施例提供的一种从眼底OCT图像中分割脉络膜新生血管的方法构建的基于差分放大模块的卷积神经网络的结构示意图;
图2是本发明实施例提供的一种从眼底OCT图像中分割脉络膜新生血管的方法的差分放大模块的结构示意图;
图3是差分放大模块中的差异部分;
图4是输入差分放大模块的特征图;
图5是从差分放大模块输出的特征图;
图6是多个脉络膜新生血管的OCT测试图与对应的金标准图和通过不同分割方法得到的分割图的对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种从眼底OCT图像中分割脉络膜新生血管的方法,包括,
a、采集包含脉络膜新生血管病变的眼底OCT图像,并分为训练集和测试集;
b、构建基于差分放大模块的卷积神经网络,采用VGG16作为U-Net网络中编码部分的特征提取器;在每个卷积块的池化操作之后连接一个差分放大模块,构成跳跃连接,提取不同分辨率下的高频信息和低频信息,所述高频信息和所述低频信息分别经过卷积进一步提取特征,通过上采样恢复到输入特征图的尺寸;
c、使用训练集训练构建的基于差分放大模块的卷积神经网络,并通过测试集进行测试;
d、使用训练好的基于差分放大模块的卷积神经网络从眼底OCT图像中分割脉络膜新生血管,得到分割结果。
本实施例在一个公开数据集中抽取了886张二维包含脉络膜新生血管病变的SD-OCT图像作为训练集,30张图像作为测试集。由专业的人士标注金标准。原始图像与金标准图像经过双线性插值重采样到512×512大小。
如图1所示,构建基于差分放大模块的卷积神经网络(DACNN),采U-Net中的编解码思想,编码部分以VGG16为特征提取器,图中黑色层对应于VGG16中的卷积操作,卷积核的大小都是3×3,通道数分别为64,128,256,512,512。每个卷积块后面都连接了一个大小为2×2的最大池化层,来降低特征图像的分辨率。为了提供更加丰富的低频信息与高频信息,基于差分放大模块构成跳跃连接,这样可以为解码部分的反卷积操作提供更多的空间信息。网络的解码部分利用跳跃连接将差分放大模块的空间信息与底层的语义信息相结合,再通过反卷积一步步恢复到原来输入图像大小,得到最终的分割结果。
差分放大模块(DAB)的设计思想主要来源于电路中的差分放大电路。差分放大电路中,对于两个输入信号的和信息与差信息分别利用两个不同的增益系数来调整,使得信号中的差模信号可以得到放大。借助这一思想设计了一个网络模块来分别提取不同分辨率下的图像中的低频信息(图像主体)与高频信息(图像边缘)。如图2所示,将平均池化操作看作是一个低通滤波器(核大小为2×2区域内的平均池化操作可以看作是平滑操作),可以提取图像的低频信息,然后差操作可以看作是一个高通滤波器,可以提取特征图像的高频信息,将这两部分的特征再分别通过卷积操作来进一步提取特征,再将提取好的特征进行融合上采样,恢复到与原输入特征同样大小的尺寸。由于这些操作之后得到的大多数是一些边缘信息,因此在该模块的最后将原始输入特征与增强后的特征进行融合送给反卷积操作。
图像的差信息(也就是图像的边缘信息),通过以下方法获取,如图3所示,将原始特征图分别通过核大小为2×2的最大池化与卷积操作,最大池化得到的2×2区域内像素的最大值,2×2的卷积进一步将图像分辨率降到原来的四分之一,保持它的大小与最大池化后的大小一致,最后将这两部分做差,就得到简单的高频信息。
通过利用差分放大模块,更多的空间信息将会被融入到原始特征中。这将使得网络在训练过程中对高低频信息有不同的注意,有助于对CNV区域的分割。图4、图5给出了输入特征与经过差分放大模块处理后的特征图,可以看出,差分放大模块确实可以提取图像中的边缘信息。
训练构建的基于差分放大模块的卷积神经网络的方式包括损失函数;二进制交叉熵(BCE)在神经网络中常被用作单类分割的损失函数,它可以衡量输出结果与金标准之间的相似性。但是实际分割结果中背景像素数量比前景像素要多,而Dice损失函数可以使网络更加注意那些较小的目标。因此将二进制交叉熵损失函数与Dice损失函数加起来之和作为本方法的损失函数来约束整个网络。损失函数的计算方式如下:
loss=lossbce+lossdice (3)
其中,lossbce代表二进制交叉熵损失函数,xi代表金标准图像中第i个像素值,yi代表网络的预测结果中的第i个像素值,n代表图像的总像素数,lossdice代表Dice损失函数,loss代表损失函数。
使用训练集训练构建的基于差分放大模块的卷积神经网络,并通过测试集进行测试;将实验数据送入设计好的基于差分放大模块的卷积神经网络中训练,训练时还经过随机水平翻转、缩放等方法进行了数据扩充,以强化训练效果。训练过程中采用学习率为0.00001的Adam优化器对网络中的权重参数进行优化,每次训练送入网络的图片个数为2,共训练50次。训练结束后,再将30张测试图片送入训练好的模型中进行测试,得到测试集的分割结果。
图6是多个脉络膜新生血管的OCT测试图与对应的金标准图和通过不同分割方法得到的分割图的对比图,图中(a)是多个含有脉络膜新生血管的OCT测试图,(b)是与测试图对应的金标准图,(c)~(e)是采用现有技术中的分割方法:语义分割网络Seg-Net、以VGG16为编码部分的U-net分割网络U-NetV和金字塔场景解析网络PSP-Net得到的分割图,(f)是采用本发明所述方法得到的分割图,用U-NetV表示以VGG16为编码部分的U-net网络,可以看到,不管CNV病变区域大小不同,也不管其中灰度值的变化不同,本发明所述方法都能够很好的分割出病变区域。在相同的训练情况下,本发明所述方法在边缘处的分割结果比其它的分割网络(如Seg-Net与PSP-Net)要更加精确。而且,采用BCE-loss与Dice-loss联合的loss作为损失函数可以很好的约束网络,使得分割结果更加精确。本实施例中一共采用了5个评价指标来评价本发明所述方法的分割结果,分别是像素精度(PA)、真阳性率(TPR)、假阳性率(FPR)、戴斯相似系数(DSC)以及交并比(IoU)。在这里,PA指的是预测正确的像素数占总像素数的比例,TPR是衡量原来金标准中正确的像素预测正确的概率,FPR是指原始金标准中的背景像素被误分为前景的概率。
PA,TPR,FPR的计算方式如下所示:
其中,TP是指金标准中的前景被正确标记为前景的像素数,TN是指金标准中前景被误分为背景像素数,FP是指背景像素被误分为前景的像素数,FN是指背景像素被正确标注为背景的像素数。上面三个指标是在像素级别统计的网络分割结果的精度;DSC与IoU则是衡量两个区域相似性的指标,令LApred表示预测结果、LAgt表示金标准,||表示该像素集的大小,则DSC与IoU的计算方法如下:
表1给出了实验中的分割结果与医生手动标注的金标准之间的评价指标。
表1几种不同方法的平均PA,TPR,FPR,DSC及IoU
上表中,DACNN(BCE-Dice)表示采用本发明所述方法构建的DACNN网络且采用联合二进制交叉熵损失函数(BCE-loss)与Dice损失函数共同约束网络。从上面的指标中可以看出,本发明提出的DACNN分割结果比其它几种分割方法的结果要更精确,而且可以看出采用联合二进制交叉熵损失函数(BCE-loss)与Dice损失函数,可以使比单个使用BCE-loss更加精确。
使用训练好的基于差分放大模块的卷积神经网络从眼底OCT图像中分割脉络膜新生血管,得到分割结果。
本发明同时提供一种从眼底OCT图像中分割脉络膜新生血管的系统,包括处理器和存储设备,存储设备中存储有多条指令,用于处理器加载并执行上述方法的步骤。
本发明是采用U-Net中的编解码的思想,采用VGG16作为网络的编码部分,为网络提供更丰富的语义信息。在每个卷积块的池化操作之后连接一个差分放大模块,构成跳跃连接,来增加网络在训练时对高、低频信息的注意,最后再通过U-Net网络的解码部分得到分割结果,分割准确度高、病变的边界区域更加清晰精确;同时,本发明采用二进制交叉熵损失函数和Dice损失函数之和作为损失函数来约束整个网络,使得分割结果更加精确。实验结果表明本发明所述方法与其他的分割方法相比取得了较好的结果,对于不同大小、灰度的脉络膜新生血管的病变区都可以准确的分割出来,为定量分析脉络膜新生血管提供了有效帮助。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种从眼底OCT图像中分割脉络膜新生血管的方法,其特征是,包括,
a、采集包含脉络膜新生血管病变的眼底OCT图像,并分为训练集和测试集;
b、构建基于差分放大模块的卷积神经网络,采用VGG16作为U-Net网络中编码部分的特征提取器;在每个卷积块的池化操作之后连接一个差分放大模块,构成跳跃连接,提取不同分辨率下图像的高频信息和低频信息,其中,卷积核大小为2×2区域内的平均池化操作看作是平滑操作,因此,将平均池化操作看作是一个低通滤波器,用于提取图像的低频信息,然后,差操作看作是一个高通滤波器,用于提取特征图像的高频信息,所述高频信息和所述低频信息分别经过卷积操作进一步提取特征,再将提取好的特征通过融合上采样恢复到与原输入特征图同样大小的尺寸;
c、使用训练集训练构建的基于差分放大模块的卷积神经网络,并通过测试集进行测试;
其中,训练构建的基于差分放大模块的卷积神经网络的方式包括损失函数,所述损失函数包括二进制交叉熵损失函数和Dice损失函数;所述损失函数为:
loss=lossbce+lossdice(3)
其中,lossbce代表二进制交叉熵损失函数,xi代表金标准图像中第i个像素值,yi代表网络的预测结果中的第i个像素值,n代表图像的总像素数,lossdice代表Dice损失函数,loss代表损失函数;
其中,金标准图像指人工标注出了脉络膜新生血管病变的SD-OCT图像;
d、使用训练好的基于差分放大模块的卷积神经网络从眼底OCT图像中分割脉络膜新生血管,得到分割结果。
2.根据权利要求1所述的从眼底OCT图像中分割脉络膜新生血管的方法,其特征是,所述将差操作作为高通滤波器提取图像的高频信息,具体为:将原始图像通过核大小为2×2的最大池化与卷积操作,2×2的最大池化得到2×2区域内像素的最大值,2×2的卷积将图像分辨率降到原来的四分之一,保持它的大小与最大池化后的大小一致,最后将这两部分做差,就得到高频信息。
3.根据权利要求1所述的从眼底OCT图像中分割脉络膜新生血管的方法,其特征是,训练构建的基于差分放大模块的卷积神经网络的方式包括采用学习率为0.00001的Adam优化器对网络中的权重参数进行优化。
4.根据权利要求1所述的从眼底OCT图像中分割脉络膜新生血管的方法,其特征是,训练构建的基于差分放大模块的卷积神经网络的方式包括将训练集中的图像经过随机水平翻转和/或缩放的方式进行数据扩充。
5.一种从眼底OCT图像中分割脉络膜新生血管的系统,其特征是,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行权力要求1~4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073201.XA CN111292338B (zh) | 2020-01-22 | 2020-01-22 | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010073201.XA CN111292338B (zh) | 2020-01-22 | 2020-01-22 | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292338A CN111292338A (zh) | 2020-06-16 |
CN111292338B true CN111292338B (zh) | 2023-04-21 |
Family
ID=71029216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010073201.XA Active CN111292338B (zh) | 2020-01-22 | 2020-01-22 | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292338B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724397B (zh) * | 2020-06-18 | 2024-04-16 | 上海应用技术大学 | 一种颅脑ct图像出血区域自动分割方法 |
CN111899247B (zh) * | 2020-07-31 | 2024-05-24 | 平安科技(深圳)有限公司 | 脉络膜血管的管腔区域识别方法、装置、设备及介质 |
CN112348825A (zh) * | 2020-10-16 | 2021-02-09 | 佛山科学技术学院 | 一种用于视网膜血流图像分割的DR-U-net网络方法及装置 |
CN112651328B (zh) * | 2020-12-23 | 2022-09-13 | 浙江中正智能科技有限公司 | 一种基于几何位置关系损失函数的虹膜分割方法 |
CN112598683B (zh) * | 2020-12-27 | 2024-04-02 | 北京化工大学 | 一种基于扫频光学相干层析成像的扫频oct人眼图像分割方法 |
CN112734787B (zh) * | 2020-12-31 | 2022-07-15 | 山东大学 | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 |
CN112862089B (zh) * | 2021-01-20 | 2023-05-23 | 清华大学深圳国际研究生院 | 一种具有可解释性的医学图像深度学习方法 |
CN113160261B (zh) * | 2021-03-09 | 2022-11-18 | 温州医科大学附属眼视光医院 | 一种用于oct图像角膜层分割的边界增强卷积神经网络 |
CN113096137B (zh) * | 2021-04-08 | 2022-04-12 | 济南大学 | 一种oct视网膜图像领域适应分割方法及系统 |
CN113160226B (zh) * | 2021-05-24 | 2024-06-07 | 苏州比格威医疗科技有限公司 | 基于双向引导网络的amd病变oct图像的分类分割方法及系统 |
CN113724262B (zh) * | 2021-08-12 | 2023-10-03 | 苏州大学 | 视网膜oct图像中的脉络膜新生血管cnv分割方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108475415B (zh) * | 2015-12-21 | 2022-05-27 | 商汤集团有限公司 | 用于图像处理的方法和系统 |
CN108052868A (zh) * | 2017-11-21 | 2018-05-18 | 五邑大学 | 一种基于bp神经网络的通道差分二值化的识别系统及方法 |
CN109345508B (zh) * | 2018-08-31 | 2021-07-27 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
CN109509178B (zh) * | 2018-10-24 | 2021-09-10 | 苏州大学 | 一种基于改进的U-net网络的OCT图像脉络膜分割方法 |
CN110570432A (zh) * | 2019-08-23 | 2019-12-13 | 北京工业大学 | 一种基于深度学习的ct图像肝脏肿瘤分割方法 |
-
2020
- 2020-01-22 CN CN202010073201.XA patent/CN111292338B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111292338A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292338B (zh) | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 | |
CN109448006B (zh) | 一种注意力机制u型密集连接视网膜血管分割方法 | |
CN107369160B (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
CN108198184B (zh) | 造影图像中血管分割的方法和系统 | |
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 | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN112508864B (zh) | 基于改进UNet++的视网膜血管图像分割方法 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
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 | |
CN106846293B (zh) | 图像处理方法和装置 | |
CN109919954B (zh) | 目标对象的识别方法和装置 | |
CA3104562A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
CN112598619A (zh) | 基于迁移学习的颅内血管模拟三维狭窄化模型的建立方法 | |
CN110610480B (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
CN113408647A (zh) | 一种脑小血管结构特征的提取方法 | |
Biswal et al. | Robust retinal optic disc and optic cup segmentation via stationary wavelet transform and maximum vessel pixel sum | |
Acharya et al. | Swarm intelligence based adaptive gamma corrected (SIAGC) retinal image enhancement technique for early detection of diabetic retinopathy | |
CN114170151A (zh) | 一种基于迁移学习的颅内血管病灶识别方法 | |
CN111583248B (zh) | 一种基于眼部超声图像的处理方法 | |
CN109919098B (zh) | 目标对象的识别方法和装置 | |
CN112562058A (zh) | 一种基于迁移学习的颅内血管模拟三维模型快速建立方法 | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
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 | |
Pathan et al. | The role of color and texture features in glaucoma detection |
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 |