CN111340773B - 一种视网膜图像血管分割方法 - Google Patents
一种视网膜图像血管分割方法 Download PDFInfo
- Publication number
- CN111340773B CN111340773B CN202010112144.1A CN202010112144A CN111340773B CN 111340773 B CN111340773 B CN 111340773B CN 202010112144 A CN202010112144 A CN 202010112144A CN 111340773 B CN111340773 B CN 111340773B
- Authority
- CN
- China
- Prior art keywords
- image
- standard deviation
- retina
- segmentation
- matrix
- 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
- G06T7/0002—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
- G06T7/12—Edge-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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/10024—Color image
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种视网膜图像血管分割方法,本发明包括如下步骤:S1、对彩色视网膜图像进行预处理S2、计算视网膜灰度图像的纹理特征的能量和标准差,计算获得基于能量特征分割处理后的第一视网膜分割图像和基于标准差特征分割处理后的第二视网膜分割图像;S3、提取彩色视网膜图像的绿色分量通道,并进行最大类间差法处理,得到第三视网膜分割图像;S4、将第一视网膜分割图像、第二视网膜分割图像和第三视网膜分割图像进行相加处理,二值化处理后获得最终视网膜血管分割图像。本发明能量特征及标准差特征从视网膜图像中分割出血管,辅以形态学操作、最大类间差方法操作等,使其更容易识别血管的前景和背景,从而获得比原始图像更好的视觉效果。
Description
技术领域
本发明涉及视网膜图像处理技术领域,具体地说是一种视网膜图像血管分割方法。
背景技术
视网膜血管是身体的重要组成部分,眼底图像是唯一身体不能直接观察微血管损伤的深度,临床研究表明,人体很多重要的系统性障碍可以导致眼底特定的反应,如糖尿病、高血压和白血病可引起典型的眼底疾病,血管眼底图像分析是这些疾病诊断的重要依据,因此,眼底图像被广泛应用于医疗辅助诊断领域,根据世界卫生组织的统计,各种血管类疾病已成为严重危害人类健康的三大疾病之一,其中包括眼部视网膜血管相关疾病,且其具有较高的致残率。避免这种后果的常用方法是对患者进行早期的预防诊断,而准确诊断的关键是精确的血管提取,这不仅可以提高官腔狭窄、动脉瘤喝血管钙化等血管疾病诊断结果的可靠性,对血管的接入治疗、手术计划制定手术精确导航等临床应用也具有重要价值,而且可以为图像配准、三维重建、计算机辅助诊断等图像处理过程提供有用的信息。
申请号为2019105832331的中国专利申请文件公开了一种基于灰度方差和标准差的视网膜图像血管分隔方法和系统,为视盘定位提供了一定的理论基础。
发明内容
本发明的目的是针对以上不足,提供一种基于能量和标准差纹理特征的视网膜图像血管分割方法。
本发明所采用技术方案是:
一种视网膜图像血管分割方法,包括如下步骤:
S1、对彩色视网膜图像进行预处理,包括对视网膜图像进行灰度化处理和掩膜处理,得到视网膜灰度图像;
S2、计算视网膜灰度图像的纹理特征的能量和标准差,计算获得基于能量特征分割处理后的第一视网膜分割图像和基于标准差特征分割处理后的第二视网膜分割图像;
S3、提取彩色视网膜图像的绿色分量通道,进行最大类间差法处理后,辅以删除小连通域操作和删除大连通域操作,得到第三视网膜分割图像;
S4、将第一视网膜分割图像、第二视网膜分割图像和第三视网膜分割图像进行相加处理,二值化处理后获得最终视网膜血管分割图像。
作为进一步的优化,本发明的步骤S2中,用于获取灰色图像的纹理特征的能量和标准差的步骤包括:
S211、提取灰度图像;
S212、对视网膜灰度图像进行灰度级量化;
S213、通过灰度共生矩阵分别计算纹理特征的能量和标准差;
S214、分别生成对应能量的能量特征矩阵和对应标准差的标准差特征矩阵。
作为进一步的优化,本发明的步骤S213中,计算四个不同步长灰度共生矩阵分别在四个方向上的能量特征值,所述四个方向分别为0°、45°、90°、135°;
对上述计算获得的16组能量特征值取平均值作为视网膜灰度图像的最终能量特征值。
具体的,本发明所有所述灰度共生矩阵的窗口大小均为17x17,灰度等级均为8级,所述四组灰度共生矩阵的步长分别为1、2、3、4。
作为进一步的优化,本发明的步骤S2中,基于能量特征分割处理的步骤包括:提取能量特征矩阵,选取最终能量特征值的1/2作为第一阈值对能量特征矩阵进行二值分割,小于第一阈值的像素点的赋值为0,大于第一阈值的像素点赋值为1,并在此基础上进行图像增强、形态学和中值滤波、删除小面积对象操作获得第一视网膜分隔图像。
具体的本发明所述图像增强通过imadjust函数实现,所述中值滤波通过medfilt2函数实现,所述删除小面积通过bwareaopen实现,所述形态学操作采用形态闭操作。
作为进一步的优化,本发明的步骤s2中,基于标准差特征对视网膜灰度图像进行分割的步骤包括:
S231、通过灰度共生矩阵计算灰度图像上每个像素的标准差,得到标准差特征矩阵;
S232、对标准差特征矩阵内所有像素的按标准差大小进行排序,设置第二阈值对步骤S41所得的标准差特征矩阵进行二值化分割,得到第一标准差二值矩阵;
S233、对步骤S231所得的标准差特征矩阵所有像素按标准差大小进行排序后设置第三阈值进行分割,得到第二标准差二值矩阵,所述第二标准差二值矩阵形成视盘区域的掩膜;
S234、将第二标准差二值矩阵作为掩膜覆于第一标准差二值矩阵上得到第二视网膜分割图像;
具体的,本发明所述第二阈值为非零值像素数量的2/3,第三阈值的像素数量为K2的1%。
具体的,本发明第一标准差二值矩阵的表达式为:
其中:Z1为标准差特征矩阵非零值像素点的排序集合,Y1为第一标准差二值矩阵;
第二标准差二值矩阵表达式为:
其中:Z1为标准差特征矩阵非零值像素点的排序集合,Y2为第二标准差二值矩阵。
具体的,本发明的步骤S1中,通过分量法或最大值法或平均值法或加权平均法对彩色视网膜图像进行灰度化处理;
所述掩膜为二维矩阵数组或多值图像,用于突出感兴趣区域,屏蔽噪声区域。
本发明具有以下优点:
1、本发明根据纹理特征中的能量特征和标准差特征处理过的视网膜图像,可以有效的将视网膜图像中的血管和其他杂质分开,能够清晰的将图像分割为前景和背景展示出来。
2、本发明的分割方法结合能量特征分割图像、标准差特征分割图像以及在绿色通道下的分割图像,与仅使用能量特征进行分割得到的结果相比,本发明的分割方法准确率提高;
3、本发明的结合绿色分量通道上图像,并通过最大类间差方法处理,能够补充采用能量特征和标准差特征分割的图像的血管边缘,增加血管细节,提高了准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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获得其他的附图。
下面结合附图对本发明进一步说明:
图1为彩色视网膜图像;
图2为视网膜灰度图像;
图3为视网膜图像提取绿色分量通道后的图像;
图4为第一视网膜分割图像;
图5为第一视网膜分割图像的视盘区域的放大图像;
图6为本发明处理后的视盘区域放大图像;
图7为手动分割的视盘全区域的放大图像;
图8为40组视网膜图像分别经过仅使用能量特征分割和采用本发明的方法分割后的于手工分割的准确率对比图;
图9为40组视网膜图像经过仅使用能量特征分割和采用本发明的方法分割后的于手工分割的平均准确率的对比图;
图10为步骤S1所使用的掩膜。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例中的属于“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B这三种情况。另外,本文中字符“/”一般表示前后关联对象是一种“或”关系。
本实施例提供一种视网膜图像血管分割方法,应用于以学辅助领域,具体包括如下步骤:
S1、对彩色视网膜图像进行预处理,包括对视网膜图像进行灰度化处理和掩膜处理,得到视网膜灰度图像;
对于彩色视网膜图像的获取,在本实施例的研发阶段,用以试验阶段的处理及验证,从网上DRIVE数据库中获取,其网址为https://www.isi.uu.nl/Research/Databases/DRIVE/,DREVE数据库来自荷兰的糖尿病视网膜病变筛查项目,用佳能CR5非散瞳45度视野(FOV)的3CCD摄像机采集,图像尺寸为565×584像素,如图1所示。而在本实施例的投入使用阶段,其彩色视网膜图像即为患者在检查时,实际拍摄的患者的视网膜图像。
每一副彩色图像均为RGB三色通道组合而成,即基于光学三原色(红绿蓝)组成各种色彩,当R值=G值=B值即表示一种灰度颜色,且R值=G值=B值叫灰度值,彩色图像灰度化的方法一般有分量法、最大值法、平均值法和加权平均法,其目的均是为了像素点的R值、G值、B值三值相等,处理结果如图2所示。
掩膜即为在原图像上覆盖一层滤膜,该滤膜既可以提取感兴趣区域,还可以对一些图像区域进行屏蔽,减少参数运算,在光学图像处理中,掩膜一般是胶片或者滤光片等,而在数字图像处理中,掩膜为二维矩阵数组,可以为多值图像。本实施例方案中,所使用掩膜如图10所示,用于提取感兴趣区域,缩小图像像素点个数,以使得程序速度更简洁、快速,DRIVE数据库中的视网膜图像自带该掩膜。
S2、计算视网膜灰度图像的纹理特征的能量和标准差,计算获得基于能量特征分割处理后的第一视网膜分割图像和基于标准差特征分割处理后的第二视网膜分割图像;主要包括:
S21、计算纹理特征的能量和标准差包括如下步骤:
S211、提取灰度图像;
S212、对灰度图像进行灰度级量化;
S213、通过灰度共生矩阵分别计算纹理特征的能量和标准差;灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法,在计算过程中,会涉及到灰度共生矩阵的不同参数,比如灰度共生矩阵的窗口大小、步长、方向和灰度级等,本实施例中选用的灰度共生矩阵的窗口大小为17X17,灰度等级选择为8,其中能量特征的计算公式为:
其中:g是灰度图像在该像素点p(i,j)的灰度值。
基于上述计算公式,计算四组不同步长灰度共生矩阵分别在四个方向上的能量,四组灰度共生矩阵的步长分别为1、2、3、4,所述四个方向分别为0°、45°、90°、135°,通过计算每组灰度共生矩阵在四个方向上的能量值会产生16组能量特征值,对上述计算获得的16组能量特征值取平均值作为视网膜图像的纹理特征的能量特征值。
标准差的计算公式为:
标准差的计算与灰度共生矩阵的步长和方向没有关系,无需取多组进行计算取平均值。
S214、生成分别对应能量特征的纹理特征矩阵和对应标准差的纹理特征矩阵。
S22、基于能量特征对灰度图像进行分割的过程包括:在上述计算过程中获得能量特征矩阵和能量特征值,选取能量特征值的1/2作为第一阈值对能量特征矩阵进行二值分割,小于第一阈值的像素点的赋值为0,大于第一阈值的像素点赋值为1,并在此基础上通过MATLAB中imadjust函数进行图像增强,形态学,通过MATLAB中medfilt2函数进行中值滤波操作、通过MATLAB中的bwareaopen函数实现删除小面积对象操作获得第一视网膜分割图像,如图1所示。
图像增强是增强图像中的有用信息,其目的是要改善图像的视觉效果,针对给定图像的应用场合,有目的地强调图像的整体或局部特性,将原来不清晰的图像变得清晰或强调某些感兴趣的特征,扩大图像中不同物体特征之间的差别,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果,满足某些特殊分析的需要。在本实施例中为了增强视网膜图像中血管图像。
删除小面积对象顾名思义就是删除二值图像中面积小于设定面积的操作,用于去除噪点操作。
S23、基于标准差特征对灰度图像进行分割的过程包括:
S231、通过灰度共生矩阵计算灰度图像上每个像素的标准差,得到标准差特征矩阵;
S232、对标准差特征矩阵内所有像素的按标准差大小进行排序,以非零值像素点的2/3设置第二阈值对步骤S41所得的标准差特征矩阵进行二值化分割,得到第一标准差二值矩阵;第一标准差二值矩阵的表达式为:
其中:Z1为第一特征矩阵非零值像素点的排序集合,Y1为第一二值矩阵;
S233、对步骤S231所得的标准差特征矩阵所有像素按标准差大小进行排序后以第三阈值进行再分割,第三阈值设置为第二阈值的1%,得到第二标准差二值矩阵,所述第二标准差二值矩阵形成视盘区域的掩膜;第二标准差二值矩阵的表达式为:
其中:Z2为第二特征矩阵非零点像素点的排序集合,Y2为第二标准差二值矩阵;
S234、将第二标准差二值矩阵作为掩膜覆于第一标准差二值矩阵上得到第二视网膜分割图像;
S3、提取彩色视网膜图像的绿色分量通道,提取绿色分量通道以后的图像如图3所示,进行最大类间差法处理,并进行删除小连通域操作和删除大连通域操作,最大类间差法能够利用阈值将原图像分成前景、背景了两个图像,是一种对图像进行二值化的高效算法,具体的,采用MATLAB中graythresh函数,graythresh函数能够自适应阈值检测来实现分割。这种处理方式能够用于补充图像血管边缘,删除小连通域操作使用bwareopen函数,删除大连通域操作采用bwlabel,它使最大连通面积、最小局部面积和中间连通面积被删除,只保留少数像素作为第三视网膜分割图像;
S4、将第一视网膜分割图像、第二视网膜分割图像和第三视网膜分割图像进行相加处理,二值化处理并进行最终去噪后获得最终视网膜血管分割图像。
在实验过程中,我们对数据库中的视网膜图像分别采用仅使用能量特征进行分割和采用本发明分割方法进行处理,仅通过能量特征进行分割的结果如图4所示,由于第二视网膜分割图像和第三视网膜分割图像所保留的像素很少,集中于视盘区域血管,我们通过对视盘区域进行比较,图5为图4中视盘区域的放大示意图,通过本发明分割方法处理的结果如图6所示,由图5和图6对比可看,图6的细节更多,并将两种分割方式均与如图7所示手动分割图像进行对比,分析两种分割方式的准确率,其结果如图8和图9所示,白色柱状代表仅通过能量特征分割的准确率,黑色柱状代表采用本发明的分割方法分割的准确率,如图8所示,采用本发明的分割方法分割的准确率更高,在图9平均准确率的对比更加明显。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种视网膜图像血管分割方法,其特征在于:包括如下步骤:
S1、对彩色视网膜图像进行预处理,包括对视网膜图像进行灰度化处理和掩膜处理,得到视网膜灰度图像;
S2、计算视网膜灰度图像的纹理特征的能量和标准差,计算获得基于能量特征分割处理后的第一视网膜分割图像和基于标准差特征分割处理后的第二视网膜分割图像;
用于获取灰度图像的纹理特征的能量和标准差的步骤包括:
S21、提取灰度图像;
S22、对视网膜灰度图像进行灰度级量化;
S23、通过灰度共生矩阵分别计算纹理特征的能量和标准差;
S24、分别生成对应能量的能量特征矩阵和对应标准差的标准差特征矩阵;
基于标准差特征对视网膜灰度图像进行分割的步骤包括:
S231、通过灰度共生矩阵计算灰度图像上每个像素的标准差,得到标准差特征矩阵;
S232、对标准差特征矩阵内所有像素的按标准差大小进行排序,设置第二阈值对步骤S231所得的标准差特征矩阵进行二值化分割,得到第一标准差二值矩阵;
S233、对步骤S231所得的标准差特征矩阵所有像素按标准差大小进行排序后设置第三阈值进行分割,得到第二标准差二值矩阵,所述第二标准差二值矩阵形成视盘区域的掩膜;
S234、将第二标准差二值矩阵作为掩膜覆于第一标准差二值矩阵上得到第二视网膜分割图像;
S3、提取彩色视网膜图像的绿色分量通道,进行最大类间差法处理后,辅以删除小连通域操作和删除大连通域操作,得到第三视网膜分割图像;
S4、将第一视网膜分割图像、第二视网膜分割图像和第三视网膜分割图像进行相加处理,二值化处理后获得最终视网膜血管分割图像。
2.根据权利要求1所述的分割方法,其特征在于:步骤S23中,计算四组不同步长灰度共生矩阵分别在四个方向上的能量特征值,所述四个方向分别为0°、45°、90°、135°;
对上述计算获得的16组能量特征值取平均值作为视网膜灰度图像的最终能量特征值。
3.根据权利要求2所述的分割方法,其特征在于:所有所述灰度共生矩阵的窗口大小均为17x17,灰度等级均为8级,所述四组灰度共生矩阵的步长分别为1、2、3、4。
4.根据权利要求2所述的分割方法,其特征在于:步骤S2中,基于能量特征分割处理的步骤包括:提取能量特征矩阵,选取最终能量特征值的1/2作为第一阈值对能量特征矩阵进行二值分割,小于第一阈值的像素点的赋值为0,大于第一阈值的像素点赋值为1,并在此基础上进行图像增强、形态学和中值滤波、删除小面积对象操作获得第一视网膜分割图像。
5.根据权利要求4所述的分割方法,其特征在于:所述图像增强通过imadjust函数实现,所述中值滤波通过medfilt2函数实现,所述删除小面积通过bwareaopen实现,所述形态学操作采用形态闭操作。
6.根据权利要求1所述的分割方法,其特征在于:所述第二阈值为非零值像素数量的2/3,第三阈值为第二阈值的1%。
8.根据权利要求1所述的分割方法,其特征在于:步骤S1中,通过分量法或最大值法或平均值法或加权平均法对彩色视网膜图像进行灰度化处理;
所述掩膜为二维矩阵数组或多值图像,用于突出感兴趣区域,屏蔽噪声区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112144.1A CN111340773B (zh) | 2020-02-24 | 2020-02-24 | 一种视网膜图像血管分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112144.1A CN111340773B (zh) | 2020-02-24 | 2020-02-24 | 一种视网膜图像血管分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111340773A CN111340773A (zh) | 2020-06-26 |
CN111340773B true CN111340773B (zh) | 2022-11-22 |
Family
ID=71183652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010112144.1A Active CN111340773B (zh) | 2020-02-24 | 2020-02-24 | 一种视网膜图像血管分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340773B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116623B (zh) * | 2020-09-21 | 2021-04-23 | 推想医疗科技股份有限公司 | 图像分割方法及装置 |
CN112950554B (zh) * | 2021-02-05 | 2021-12-21 | 慧影医疗科技(北京)有限公司 | 一种基于肺分割的肺叶分割优化方法及系统 |
CN114677393B (zh) * | 2022-05-27 | 2022-09-30 | 珠海视熙科技有限公司 | 深度图像处理方法、装置、摄像设备、会议系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN108428239A (zh) * | 2018-03-20 | 2018-08-21 | 东南大学 | 基于图像纹理特征提取的智能割草机边界识别方法 |
CN108629785A (zh) * | 2018-05-10 | 2018-10-09 | 西安电子科技大学 | 基于自步学习的三维磁共振胰腺图像分割方法 |
CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3010836C (en) * | 2010-07-30 | 2020-09-08 | Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud | Systems and methods for segmentation and processing of tissue images and feature extraction from same for treating, diagnosing, or predicting medical conditions |
-
2020
- 2020-02-24 CN CN202010112144.1A patent/CN111340773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194937A (zh) * | 2017-05-27 | 2017-09-22 | 厦门大学 | 一种开放环境下中医舌象图像分割方法 |
CN108428239A (zh) * | 2018-03-20 | 2018-08-21 | 东南大学 | 基于图像纹理特征提取的智能割草机边界识别方法 |
CN108629785A (zh) * | 2018-05-10 | 2018-10-09 | 西安电子科技大学 | 基于自步学习的三维磁共振胰腺图像分割方法 |
CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
Adaptive Thresholding Technique for Retinal Vessel Segmentation Based on GLCM-Energy Information;Temitope Mapayi et al.;《Computational and Mathematical Methods in Medicine》;20150224;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111340773A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340773B (zh) | 一种视网膜图像血管分割方法 | |
Miri et al. | Retinal image analysis using curvelet transform and multistructure elements morphology by reconstruction | |
Rezaee et al. | Optimized clinical segmentation of retinal blood vessels by using combination of adaptive filtering, fuzzy entropy and skeletonization | |
Palavalasa et al. | Automatic diabetic retinopathy detection using digital image processing | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
Tariq et al. | An automated system for colored retinal image background and noise segmentation | |
CN111798425B (zh) | 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法 | |
Xiao et al. | Retinal hemorrhage detection by rule-based and machine learning approach | |
Bala et al. | Computerised retinal image analysis to detect and quantify exudates associated with diabetic retinopathy | |
H Khan et al. | Classification of skin lesion with hair and artifacts removal using black-hat morphology and total variation | |
CN105869151B (zh) | 舌分割及舌苔舌质分离方法 | |
Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
CN112700409A (zh) | 视网膜微动脉瘤自动检测方法及成像方法 | |
Sachdeva et al. | Automatic segmentation and area calculation of optic disc in ophthalmic images | |
Xue et al. | Automatic extraction of mosaic patterns in uterine cervix images | |
Lochan et al. | Innovative feature set for retinopathic analysis of diabetes and its detection | |
Sathya et al. | Contourlet transform and morphological reconstruction based retinal blood vessel segmentation | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Tulasigeri et al. | An advanced thresholding algorithm for diagnosis of glaucoma in fundus images | |
Bansal et al. | An efficient automatic intensity based method for detection of macula in retinal images | |
Imtiaz et al. | Segmentation of skin lesion using harris corner detection and region growing | |
Turukmane et al. | EARLY-STAGE PREDICTION OF MELANOMA SKIN CANCER SEGMENTATION BY U-NET | |
Kaya et al. | Comparison of unsupervised segmentation of retinal blood vessels in gray level image with PCA and green channel image | |
Mohammed et al. | Diagnosis of Retinopathy in Patients Diabetes | |
Sallow et al. | Optical Disc and Blood Vessel Segmentation in Retinal Fundus 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 |