CN111583248A - 一种基于眼部超声图像的处理方法 - Google Patents

一种基于眼部超声图像的处理方法 Download PDF

Info

Publication number
CN111583248A
CN111583248A CN202010398425.8A CN202010398425A CN111583248A CN 111583248 A CN111583248 A CN 111583248A CN 202010398425 A CN202010398425 A CN 202010398425A CN 111583248 A CN111583248 A CN 111583248A
Authority
CN
China
Prior art keywords
processing
gray
image
scale map
convolution
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
CN202010398425.8A
Other languages
English (en)
Other versions
CN111583248B (zh
Inventor
朱瑞星
徐小燕
刘西耀
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.)
Shanghai Shenzhi Information Technology Co ltd
Original Assignee
Shanghai Zhuxing Biotechnology Co ltd
Shanghai Shenzhi Information Technology Co ltd
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 Shanghai Zhuxing Biotechnology Co ltd, Shanghai Shenzhi Information Technology Co ltd filed Critical Shanghai Zhuxing Biotechnology Co ltd
Priority to CN202010398425.8A priority Critical patent/CN111583248B/zh
Publication of CN111583248A publication Critical patent/CN111583248A/zh
Application granted granted Critical
Publication of CN111583248B publication Critical patent/CN111583248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10132—Ultrasound 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及超声图像处理技术领域，尤其涉及一种基于眼部超声图像的处理方法，包括：步骤S1，提供人类眼部的超声频谱图像；步骤S2，将超声频谱图像转换为灰度图；步骤S3，对灰度图进行初步处理；步骤S4，对进行初步处理后的灰度图的感兴趣区域进行边缘提取，提取到感兴趣区域的边界点集合，并找出边界点集合中具有最大峰值的边界点；步骤S5，计算出最接近最大峰值的复数个边界点的曲率，并根据曲率的变化数值形成一处理结果。有益效果：本发明提出一种眼部超声图像的处理方法，用于处理人类眼部的超声频谱图像，得到相应的图像特征，由于超声图像不受屈光间质的影响，从而提升眼部超声检测的准确性。

Description

一种基于眼部超声图像的处理方法
技术领域
本发明涉及超声图像处理技术领域，尤其涉及一种基于眼部超声图像的处理方法。
背景技术
随着智能化技术和无线传输技术发展日益成熟，超声检测设备有着重要作用和影响，其能够帮助医生有效认知和了解病人的健康状况，给临床医生带来了极大的便捷，尤其在初诊筛选检查和病人分流过程中，其优势更为突出，因此超声图像被广泛运用于医疗检测技术领域。
在现有技术中，医生在临床诊断中发现，糖尿病与眼底的微小病变密切相关，清晰显示眼底图像是诊断的关键，但是目前采集眼底图像是通过眼科的光学成像技术显示患者的眼底组织，但光学成像方法所采集图像的清晰度受屈光间质(眼部的屈光系统由角膜、房水、晶状体和玻璃体构成，统称为屈光间质)的影响。因此，本发明提出使用超声成像方法采集眼底的超声图像，超声成像方法所采集的超声图像不受屈光间质的影响，对超声图像进行处理，得到相应的图像特征，通过图像处理后得到的图像特征可以辅助医生来判别病灶。
发明内容
针对现有技术中存在的上述问题，现提供一种基于眼部超声图像的处理方法。
具体技术方案如下：
本发明一种基于眼部超声图像的处理方法，包括：
步骤S1，提供人类眼部的超声频谱图像；
步骤S2，将所述超声频谱图像转换为灰度图；
步骤S3，对所述灰度图进行初步处理；
步骤S4，对进行初步处理后的所述灰度图的感兴趣区域进行边缘提取，提取到所述感兴趣区域的边界点集合，并找出所述边界点集合中具有最大峰值的边界点；
步骤S5，计算出最接近所述最大峰值的复数个所述边界点的曲率，并根据所述曲率的变化数值形成一处理结果。
优选的，所述步骤S3包括：
步骤S31，对所述灰度图进行降噪处理；
步骤S32，对进行所述降噪处理后的所述灰度图进行二值化处理；
步骤S33，分别对所述灰度图进行膨胀处理和腐蚀处理。
优选的，于所述步骤S31中，通过高斯滤波函数进行所述降噪处理，利用一维高斯函数构造一滤波器，分别按行、列对所述灰度图进行卷积操作，得到平滑图像，具体通过下述公式表示：
Figure BDA0002488533930000021
G(x,y)＝f(x,y)×H(x,y)
其中，
(a,b)用于表示卷积模板中的位置坐标；
σ＝((k-1)*0.5–1)*0.3+0.8，k用于表示所述卷积模板的大小；
f(x,y)用于表示所述灰度图；
H(x,y)用于表示所述滤波器；
G(x,y)用于表示所述平滑图像。
优选的，于所述步骤S33中，通过一卷积模板来对进行所述二值化处理后的所述灰度图进行所述膨胀处理，扫描所述灰度图中的每一个像素点，使用所述卷积模板的元素与所述灰度图的元素进行卷积运算，以计算所述卷积模板所覆盖区域的所述像素点的最大值，并用所述最大值替换所述卷积模板的参考点的像素值，具体通过下述公式表示：
Figure BDA0002488533930000031
其中，
A用于表示进行所述二值化处理后的所述灰度图；
B用于表示所述卷积模板。
优选的，于所述步骤S33中，通过一卷积模板来对进行所述二值化处理后的所述灰度图进行所述腐蚀处理，扫描所述灰度图中的每一个像素点，使用所述卷积模板的元素与所述灰度图的元素进行卷积运算，以计算所述卷积模板所覆盖区域的所述像素点的最小值，并用所述最小值替换所述卷积模板的参考点的像素值，具体通过下述公式表示：
Figure BDA0002488533930000032
其中，
A用于表示进行所述二值化处理后的所述灰度图；
B用于表示所述卷积模板。
优选的，于所述步骤S4中，使用OpenCV跨平台计算机视觉库对所述感兴趣区域进行所述边界点的识别，以识别出所述边界点集合，并对所述边界点集合进行排序，找出所述边界点集合中具有最大峰值的所述边界点。
优选的，于所述步骤S4中，利用2X2邻域一阶偏导的有限差分计算所述灰度图的所有像素点的梯度幅值和梯度方向，对所述梯度幅值进行非极大值抑制，若某个所述像素点的所述梯度幅值大于或等于沿所述梯度方向上两个相邻的所述像素点的所述梯度幅值，则判定该像素点为所述边缘点，具体通过下述公式计算所述梯度幅值
Figure BDA0002488533930000041
和所述梯度方向
Figure BDA0002488533930000042
Figure BDA0002488533930000043
Figure BDA0002488533930000044
Figure BDA0002488533930000045
Figure BDA0002488533930000046
其中，
Figure BDA0002488533930000047
用于表示所述像素点的梯度幅值，
Figure BDA0002488533930000048
和
Figure BDA0002488533930000049
用于表示所述像素点沿梯度方向上两个相邻的所述像素点的梯度幅值。
优选的，于所述步骤S5中，计算出最接近所述最大峰值的10个所述边界点集的曲率，并形成所述曲率变化结果。
优选的，于所述步骤S5中，包括预先建立多层循环神经网络模型，并通过一参考曲率的变化数值对所述多层循环神经网络模型进行训练，得到二分类交叉熵损失函数，通过所述二分类交叉熵损失函数输出所述处理结果。
优选的，于所述步骤S33中，使用4个卷积模板分别对所述灰度图进行四次所述膨胀处理以及四次所述腐蚀处理，具体通过下述公式表示：
Figure BDA00024885339300000410
E(x,y)＝(((D(x,y)-B1)-B2)-B3)-B4
其中，
B1、B2、B3、B4分别用于表示4个所述卷积模板；
D(x,y)用于表示经过四次所述膨胀处理后得到的所述灰度图；
E(x,y)用于表示经过四次所述腐蚀处理后得到的所述灰度图。
优选的，所述卷积模板的形状包括正方形或圆形。
优选的，所述步骤S2至所述步骤S5在一云平台内进行。
上述技术方案具有如下优点或有益效果：本发明提出一种眼部超声图像的处理方法，用于处理人类眼部的超声频谱图像，得到相应的图像特征，由于超声图像不受屈光间质的影响，从而提升眼部超声检测的准确性。
附图说明
参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1为本发明实施例中的眼部超声图像处理方法的步骤流程图；
图2为本发明实施例中的步骤S3的具体流程图；
图3为本发明实施例中的卷积模板B1的结构示意图；
图4为本发明实施例中的卷积模板B2的结构示意图；
图5为本发明实施例中的卷积模板B3的结构示意图；
图6为本发明实施例中的卷积模板B4的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本发明提供一种基于眼部超声图像的处理方法，如图1所示，包括：
步骤S1，提供人类眼部的超声频谱图像；
步骤S2，将超声频谱图像转换为灰度图；
步骤S3，对灰度图进行初步处理；
步骤S4，对进行初步处理后的灰度图的感兴趣区域进行边缘提取，提取到感兴趣区域的边界点集合，并找出边界点集合中具有最大峰值的边界点；
步骤S5，计算出最接近最大峰值的复数个边界点的曲率，并根据曲率的变化数值形成一处理结果。
具体地，检测人员采用超声检测设备对患者眼底的进行超声图像的采集，同时，对眼动脉进行频谱测量以获得眼动脉内的血流参数，从而获取超声频谱图像(频谱多普勒超声图像)。本实施例中的处理方法用于处理上述超声频谱图像，首先将彩色的超声频谱图像转换为灰度图，再对灰度图进行初步处理，提取出灰度图中感兴趣区域的边界点集合，边界点集合包括多个边界点，边界点是图像上的像素点，每个像素点都会拥有自己的横坐标和纵坐标，在边界点集排序过程中，我们将边界点的纵坐标进行排序，得到一个从大到小或者从小到大的顺序点集，其中数值最大的是设置为最大峰值点，对边界点集合进行排序，找出处于最大峰值的边界点，再计算出最大的边界点附近的复数个(本实施例中优选为10个)边界点的曲率，根据10个边界点的曲率的变化数值形成处理结果。医生可以根据本发明的超声图像处理方法得到的处理结果去判别患者的眼底是否出现病灶，如果曲率的变化大，则说明眼部为正常状态；如果曲率变化小，则说明眼部出现病灶。本发明中采用超声图像对眼部图像进行采集，可以避免屈光间质带来的清晰度影响，从而提升眼部检测的精确性。
在一种较优的实施例中，如图2所示，步骤S3包括：
步骤S31，对灰度图进行降噪处理；
步骤S32，对进行降噪处理后的灰度图进行二值化处理；
步骤S33，分别对灰度图进行膨胀处理和腐蚀处理。
具体地，在本实施例中，由于对超声图像进行了降噪处理，在后续二值化处理后会丢失超声图像中的部分细节特征，本实施例通过增加一个膨胀处理和腐蚀处理的过程，这样可以将超声图像中的部分孤立点去掉，同时会增强边缘的细节特征。
在一种较优的实施例中，于步骤S31中，通过高斯滤波函数进行降噪处理，利用一维高斯函数构造一滤波器，分别按行、列对灰度图进行卷积操作，得到平滑图像，具体通过下述公式表示：
Figure BDA0002488533930000071
G(x,y)＝f(x,y)×H(x,y)
其中，
(a,b)用于表示卷积模板中的位置坐标，卷积模板的大小通常可以选择5*5矩阵；
σ＝((k-1)*0.5–1)*0.3+0.8，k用于表示卷积模板的大小，k的取值可以是3,5,7,9；
f(x,y)用于表示灰度图；
H(x,y)用于表示滤波器；
G(x,y)用于表示平滑图像。
在一种较优的实施例中，于步骤S33中，通过一卷积模板来对进行二值化处理后的灰度图进行膨胀处理，扫描灰度图中的每一个像素点，使用卷积模板的元素与灰度图的元素进行卷积运算，以计算卷积模板所覆盖区域的像素点的最大值，并用最大值替换卷积模板的参考点的像素值，具体通过下述公式表示：
Figure BDA0002488533930000081
其中，
A用于表示进行二值化处理后的灰度图；
B用于表示卷积模板。
上述公式表示用B来对灰度图A进行膨胀处理，其中B可以是一个卷积模板或卷积核，其形状可以为正方形或圆形，通过卷积模板B与灰度图A进行卷积计算，扫描灰度图A中的每一个像素点，用卷积模板元素与二值化后的灰度图元素做“与”运算，如果都为0，那么目标像素点为0，否则为1。从而计算卷积模板B在灰度图A上的覆盖区域的像素点最大值，并用最大值替换卷积模板B的参考点的像素值，从而实现膨胀处理。
在一种较优的实施例中，于步骤S33中，通过一卷积模板来对进行二值化处理后的灰度图进行腐蚀处理，扫描灰度图中的每一个像素点，使用卷积模板的元素与灰度图的元素进行卷积运算，以计算卷积模板所覆盖区域的像素点的最小值，并用最小值替换卷积模板的参考点的像素值，具体通过下述公式表示：
Figure BDA0002488533930000091
其中，
A用于表示进行二值化处理后的灰度图；
B用于表示卷积模板。
具体地，上述公式表示使用卷积模板B来对灰度图A进行腐蚀处理，通过卷积模板B与灰度图A进行卷积计算，得出B在A上的覆盖区域的像素点最小值，并用这个最小值来替代参考点的像素值。
在一种较优的实施例中，于步骤S33中，使用4个卷积模板分别对灰度图进行四次膨胀处理以及四次腐蚀处理，具体通过下述公式表示：
Figure BDA0002488533930000092
E(x,y)＝(((D(x,y)-B1)-B2)-B3)-B4
其中，
B1、B2、B3、B4分别用于表示4个卷积模板；
D(x,y)用于表示经过四次膨胀处理后得到的灰度图；
E(x,y)用于表示经过四次腐蚀处理后得到的灰度图。
具体地，本实施例中的4个卷积模板如图3～6所示，分别使用B1、B2、B3、B4对灰度图进行四次膨胀处理，再使用B1、B2、B3、B4对灰度图进行四次腐蚀处理。由于图像在二值化处理后会丢失图像中的部分细节特征，本实施例中通过增加一个膨胀腐蚀的过程，这样可以将部分孤立点去掉，同时会增强边缘的细节特征。
在一种较优的实施例中，于步骤S4中，使用OpenCV跨平台计算机视觉库对感兴趣区域进行边界点的识别，以识别出边界点集合，并对边界点集合进行排序，找出边界点集合中具有最大峰值的边界点。
在一种较优的实施例中，于步骤S4中，利用2X2邻域一阶偏导的有限差分计算灰度图的所有像素点的梯度幅值和梯度方向，对梯度幅值进行非极大值抑制，若某个像素点的梯度幅值大于或等于沿梯度方向上两个相邻的像素点的梯度幅值，则判定该像素点为边缘点，具体通过下述公式计算梯度幅值
Figure BDA0002488533930000101
和梯度方向
Figure BDA0002488533930000102
Figure BDA0002488533930000103
Figure BDA0002488533930000104
Figure BDA0002488533930000105
Figure BDA0002488533930000106
具体地，本实施例中的
Figure BDA0002488533930000107
用于表示上述像素点的梯度幅值，
Figure BDA0002488533930000108
和
Figure BDA00024885339300001010
用于表示该像素点沿梯度方向上两个相邻的像素点的梯度幅值。
在一种较优的实施例中，于步骤S5中，计算出最接近最大峰值的10个边界点集的曲率，并形成曲率变化结果。
在一种较优的实施例中，于步骤S5中，包括预先建立多层循环神经网络模型，并通过一参考曲率的变化数值对多层循环神经网络模型进行训练，得到二分类交叉熵损失函数，通过二分类交叉熵损失函数输出处理结果。
具体地，在本实施例中，参考曲率的变化数值是利用正常眼部图像识别的曲线计算得出的，通过参考曲率的变化数值对多层循环神经网络模型进行训练，得到二分类交叉熵损失函数；找出的最大峰值的边界点附近的10个边界点，计算这10个边界点的曲率，得到曲率的变化数值，再通过二分类交叉熵损失函数输出，输出的处理结果包括“0”或“1”两种状态，医生可以根据最终输出的处理结果快速地判断患者的眼部是否出现病灶。
在一种较优的实施例中，步骤S2至步骤S5在一云平台内进行。
具体地，在本实施例中，在检测人员使用客户端的超声检测设备对患者的眼部进行超声图像采集后，客户端的管理平台将超声图像加密上传至云平台内处理，云平台对超声图像进行解析后进行步骤S2至步骤S5的计算处理，最后将处理结果返回客户端，并可以在云平台内备份，以便于用户后续使用时从云平台内下载。
本发明实施例的有益效果在于：本发明提出一种眼部超声图像的处理方法，用于处理人类眼部的超声频谱图像，得到相应的图像特征，由于超声图像不受屈光间质的影响，从而提升眼部超声检测的准确性。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (12)

1.一种基于眼部超声图像的处理方法，其特征在于，包括：
步骤S1，提供人类眼部的超声频谱图像；
步骤S2，将所述超声频谱图像转换为灰度图；
步骤S3，对所述灰度图进行初步处理；
步骤S4，对进行初步处理后的所述灰度图的感兴趣区域进行边缘提取，提取到所述感兴趣区域的边界点集合，并找出所述边界点集合中具有最大峰值的边界点；
步骤S5，计算出最接近所述最大峰值的复数个所述边界点的曲率，并根据所述曲率的变化数值形成一处理结果。
2.根据权利要求1所述的处理方法，其特征在于，所述步骤S3包括：
步骤S31，对所述灰度图进行降噪处理；
步骤S32，对进行所述降噪处理后的所述灰度图进行二值化处理；
步骤S33，分别对所述灰度图进行膨胀处理和腐蚀处理。
3.根据权利要求2所述的处理方法，其特征在于，于所述步骤S31中，通过高斯滤波函数进行所述降噪处理，利用一维高斯函数构造一滤波器，分别按行、列对所述灰度图进行卷积操作，得到平滑图像，具体通过下述公式表示：
Figure FDA0002488533920000011
G(x,y)＝f(x,y)×H(x,y)
其中，
(a,b)用于表示卷积模板中的位置坐标；
σ＝((k-1)*0.5–1)*0.3+0.8，k用于表示所述卷积模板的大小；
f(x,y)用于表示所述灰度图；
H(x,y)用于表示所述滤波器；
G(x,y)用于表示所述平滑图像。
4.根据权利要求2所述的处理方法，其特征在于，于所述步骤S33中，通过一卷积模板来对进行所述二值化处理后的所述灰度图进行所述膨胀处理，扫描所述灰度图中的每一个像素点，使用所述卷积模板的元素与所述灰度图的元素进行卷积运算，以计算所述卷积模板所覆盖区域的所述像素点的最大值，并用所述最大值替换所述卷积模板的参考点的像素值，具体通过下述公式表示：
Figure FDA0002488533920000021
其中，
A用于表示进行所述二值化处理后的所述灰度图；
B用于表示所述卷积模板。
5.根据权利要求2所述的处理方法，其特征在于，于所述步骤S33中，通过一卷积模板来对进行所述二值化处理后的所述灰度图进行所述腐蚀处理，扫描所述灰度图中的每一个像素点，使用所述卷积模板的元素与所述灰度图的元素进行卷积运算，以计算所述卷积模板所覆盖区域的所述像素点的最小值，并用所述最小值替换所述卷积模板的参考点的像素值，具体通过下述公式表示：
Figure FDA0002488533920000022
其中，
A用于表示进行所述二值化处理后的所述灰度图；
B用于表示所述卷积模板。
6.根据权利要求1所述的处理方法，其特征在于，于所述步骤S4中，使用OpenCV跨平台计算机视觉库对所述感兴趣区域进行所述边界点的识别，以识别出所述边界点集合，并对所述边界点集合进行排序，找出所述边界点集合中具有最大峰值的所述边界点。
7.根据权利要求1所述的处理方法，其特征在于，于所述步骤S4中，利用2X2邻域一阶偏导的有限差分计算所述灰度图的所有像素点的梯度幅值和梯度方向，对所述梯度幅值进行非极大值抑制，若某个所述像素点的所述梯度幅值大于或等于沿所述梯度方向上两个相邻的所述像素点的所述梯度幅值，则判定该像素点为所述边缘点，具体通过下述公式计算所述梯度幅值
Figure FDA0002488533920000031
和所述梯度方向
Figure FDA0002488533920000039
Figure FDA0002488533920000032
Figure FDA0002488533920000033
Figure FDA0002488533920000034
Figure FDA0002488533920000035
其中，
Figure FDA0002488533920000036
用于表示所述像素点的梯度幅值，
Figure FDA0002488533920000037
和
Figure FDA0002488533920000038
用于表示所述像素点沿梯度方向上两个相邻的所述像素点的梯度幅值。
8.根据权利要求1所述的处理方法，其特征在于，于所述步骤S5中，计算出最接近所述最大峰值的10个所述边界点集的曲率，并形成所述曲率变化结果。
9.根据权利要求1所述的处理方法，其特征在于，于所述步骤S5中，包括预先建立多层循环神经网络模型，并通过一参考曲率的变化数值对所述多层循环神经网络模型进行训练，得到二分类交叉熵损失函数，通过所述二分类交叉熵损失函数输出所述处理结果。
10.根据权利要求2所述的处理方法，其特征在于，于所述步骤S33中，使用4个卷积模板分别对所述灰度图进行四次所述膨胀处理以及四次所述腐蚀处理，具体通过下述公式表示：
Figure FDA0002488533920000041
E(x,y)＝(((D(x,y)-B1)-B2)-B3)-B4
其中，
B1、B2、B3、B4分别用于表示4个所述卷积模板；
D(x,y)用于表示经过四次所述膨胀处理后得到的所述灰度图；
E(x,y)用于表示经过四次所述腐蚀处理后得到的所述灰度图。
11.根据权利要求4或5或10中所述的处理方法，其特征在于，所述卷积模板的形状包括正方形或圆形。
12.根据权利要求1所述的处理方法，其特征在于，所述步骤S2至所述步骤S5在一云平台内进行。
CN202010398425.8A 2020-05-12 2020-05-12 一种基于眼部超声图像的处理方法 Active CN111583248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010398425.8A CN111583248B (zh) 2020-05-12 2020-05-12 一种基于眼部超声图像的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010398425.8A CN111583248B (zh) 2020-05-12 2020-05-12 一种基于眼部超声图像的处理方法

Publications (2)

Publication Number Publication Date
CN111583248A true CN111583248A (zh) 2020-08-25
CN111583248B CN111583248B (zh) 2022-12-30

Family

ID=72110835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010398425.8A Active CN111583248B (zh) 2020-05-12 2020-05-12 一种基于眼部超声图像的处理方法

Country Status (1)

Country Link
CN (1) CN111583248B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907535A (zh) * 2021-02-18 2021-06-04 江苏省人民医院（南京医科大学第一附属医院） 一种可用于超声图像采集教学任务的辅助系统
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09131345A (ja) * 1995-09-06 1997-05-20 Toshiba Corp 超音波画像の処理方法及びその装置
US20120194783A1 (en) * 2011-01-28 2012-08-02 Optovue, Inc. Computer-aided diagnosis of retinal pathologies using frontal en-face views of optical coherence tomography
WO2018116321A2 (en) * 2016-12-21 2018-06-28 Braviithi Technologies Private Limited Retinal fundus image processing method
CN109171639A (zh) * 2018-09-04 2019-01-11 温州医科大学 一种基于光学相干层析成像技术的在体角膜参数的测量装置及测量方法
US20190274536A1 (en) * 2018-03-06 2019-09-12 Texas Tech University System Diagnostic tool for eye disease detection using smartphone
US20190294858A1 (en) * 2018-03-20 2019-09-26 Welch Allyn, Inc. Pupil Edge Detection in Digital Imaging
US20200085290A1 (en) * 2017-05-04 2020-03-19 Shenzhen Sibionics Technology Co., Ltd. Artificial neural network and system for identifying lesion in retinal fundus image

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09131345A (ja) * 1995-09-06 1997-05-20 Toshiba Corp 超音波画像の処理方法及びその装置
US20120194783A1 (en) * 2011-01-28 2012-08-02 Optovue, Inc. Computer-aided diagnosis of retinal pathologies using frontal en-face views of optical coherence tomography
WO2018116321A2 (en) * 2016-12-21 2018-06-28 Braviithi Technologies Private Limited Retinal fundus image processing method
US20200085290A1 (en) * 2017-05-04 2020-03-19 Shenzhen Sibionics Technology Co., Ltd. Artificial neural network and system for identifying lesion in retinal fundus image
US20190274536A1 (en) * 2018-03-06 2019-09-12 Texas Tech University System Diagnostic tool for eye disease detection using smartphone
US20190294858A1 (en) * 2018-03-20 2019-09-26 Welch Allyn, Inc. Pupil Edge Detection in Digital Imaging
CN109171639A (zh) * 2018-09-04 2019-01-11 温州医科大学 一种基于光学相干层析成像技术的在体角膜参数的测量装置及测量方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907535A (zh) * 2021-02-18 2021-06-04 江苏省人民医院（南京医科大学第一附属医院） 一种可用于超声图像采集教学任务的辅助系统
CN112907535B (zh) * 2021-02-18 2023-05-12 江苏省人民医院（南京医科大学第一附属医院） 一种用于超声图像采集教学任务的辅助系统
CN115546232A (zh) * 2022-10-12 2022-12-30 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备
CN115546232B (zh) * 2022-10-12 2024-08-27 什维新智医疗科技(上海)有限公司 一种肝脏超声图像工作区域提取方法、系统及电子设备

Also Published As

Publication number Publication date
CN111583248B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Noronha et al. Automated classification of glaucoma stages using higher order cumulant features
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
Fan et al. Optic disk detection in fundus image based on structured learning
TWI719587B (zh) 眼底圖像定量分析的前置處理方法及存放裝置
Al-Fahdawi et al. A fully automatic nerve segmentation and morphometric parameter quantification system for early diagnosis of diabetic neuropathy in corneal images
CN111583248B (zh) 一种基于眼部超声图像的处理方法
CN108416371A (zh) 一种糖尿病性视网膜病变自动检测方法
CN113689954A (zh) 高血压风险预测方法、装置、设备及介质
Tripathi et al. MTCD: Cataract detection via near infrared eye images
Prageeth et al. Early detection of retinal nerve fiber layer defects using fundus image processing
Aruchamy et al. Automated glaucoma screening in retinal fundus images
Liu et al. Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images
CN112700409A (zh) 视网膜微动脉瘤自动检测方法及成像方法
Zardadi et al. Unsupervised segmentation of retinal blood vessels using the human visual system line detection model
CN116452571A (zh) 一种基于深度神经网络的图像识别方法
Al Zaid et al. Retinal blood vessels segmentation using Gabor filters
Nugroho et al. Detection of foveal avascular zone in colour retinal fundus images
CN116309594B (zh) 眼前节oct图像处理方法
Kiyatmoko Retinal Vessel Extraction Using Dynamic Threshold and Enhancement Image Filter From Retina Fundus
Mohammed et al. Diagnosis of Retinopathy in Patients Diabetes
Singh et al. Retinal Area Segmentation using Adaptive Superpixalation and its Classification using RBFN
Bharkad Morphological statistical features for automatic segmentation of blood vessel structure in retinal images
CN115909470B (zh) 基于深度学习的全自动眼睑疾病术后外观预测系统和方法
CN112767375B (zh) 基于计算机视觉特征的oct图像分类方法及系统、设备
BHANDAKKAR DETECTION OF EYE CATARACT USING MATLAB

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201016

Address after: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241

Applicant after: Shanghai Shenzhi Information Technology Co.,Ltd.

Address before: Room 5030, 5 / F, building e, 555 Dongchuan Road, Minhang District, Shanghai, 200241

Applicant before: Shanghai Shenzhi Information Technology Co.,Ltd.

Applicant before: Shanghai Zhuxing Biotechnology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant