CN111932535A - 用于处理图像的方法、装置、设备以及存储介质 - Google Patents

用于处理图像的方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN111932535A
CN111932535A CN202011016943.5A CN202011016943A CN111932535A CN 111932535 A CN111932535 A CN 111932535A CN 202011016943 A CN202011016943 A CN 202011016943A CN 111932535 A CN111932535 A CN 111932535A
Authority
CN
China
Prior art keywords
image
blood vessel
vessel
segment
vessel segment
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
CN202011016943.5A
Other languages
English (en)
Inventor
刘佳
杨叶辉
武秉泓
王磊
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011016943.5A priority Critical patent/CN111932535A/zh
Publication of CN111932535A publication Critical patent/CN111932535A/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T7/10—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种用于处理图像的方法、装置、设备以及存储介质，涉及人工智能领域，具体为计算机视觉、深度学习、智慧医疗领域，可适用于医疗影像分析场景。具体实现方案为：获取眼底图像；根据眼底图像，确定血管图像；对血管图像进行分割，得到血管片段图像；确定血管片段图像中的动脉血管片段和静脉血管片段；根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。本实现方式通过将血管图像分割得到血管片段图像，根据血管片段图像中的动脉血管片段和静脉血管片段计算动静脉血管比值，可以克服像素级别分类算法误差，提高对动静脉血管分类及对动静脉血管比值计算的准确性，操作便捷、快速，应用范围广。

Description

用于处理图像的方法、装置、设备以及存储介质
技术领域
本申请涉及人工智能领域，具体为计算机视觉、深度学习、智慧医疗领域，可适用于医疗影像分析场景，尤其涉及一种用于处理图像的方法、装置、设备以及存储介质。
背景技术
视网膜血管作为人体内在无创伤条件下，唯一可供观察的内部血管组织，一直受到研究人员的广泛关注。通过对视网膜血管进行动静脉分类，可以对视网膜的构造有进一步的了解。目前，对视网膜血管进行动静脉分类的方法主要有半自动分类方法和全自动分类方法。
基于视网膜眼底图像实现视网膜血管动静脉分类的方法主要是利用血管的颜色信息、几何、拓扑学信息和形态学等进行半自动和自动分类，但往往效率及准确性较低。
发明内容
本公开提供了一种用于处理图像的方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种用于处理图像的方法，包括：获取眼底图像；根据眼底图像，确定血管图像；对血管图像进行分割，得到血管片段图像；确定血管片段图像中的动脉血管片段和静脉血管片段；根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
根据本公开的另一方面，提供了一种用于处理图像的装置，包括：获取单元，被配置成获取眼底图像；血管图像确定单元，被配置成根据眼底图像，确定血管图像；血管片段图像确定单元，被配置成对血管图像进行分割，得到血管片段图像；动静脉血管片段确定单元，被配置成确定血管片段图像中的动脉血管片段和静脉血管片段；输出单元，被配置成根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
根据本公开的再一方面，提供了一种用于处理图像的电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上述用于处理图像的方法。
根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如上述用于处理图像的方法。
根据本申请的技术解决了对视网膜血管动静脉分类的效率及准确性较低的问题，通过将血管图像分割得到血管片段图像，根据血管片段图像中的动脉血管片段和静脉血管片段计算动静脉血管比值，可以克服像素级别分类算法误差，提高对动静脉血管分类及对动静脉血管比值计算的准确性，操作便捷、快速，应用范围广。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于处理图像的方法的一个实施例的流程图；
图3是根据本申请的用于处理图像的方法的一个应用场景的示意图；
图4是根据本申请的用于处理图像的方法的另一个实施例的流程图；
图5是根据本申请的用于处理图像的装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的用于处理图像的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的方法或用于处理图像的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括相机101、102，网络103和终端设备104。网络103用以在相机101、102和终端设备104之间提供通信链路的介质。网络103可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
相机101、102可以通过网络103与终端设备104交互，以接收或发送消息。相机101、102可以采集图像，并将采集的图像发送给终端设备104，或者存储于本地。相机101、102可以固定在医疗扫描设备上。
终端设备104可以从相机101、102处获取采集的图像，并对图像进行处理，并将处理结果输出。终端设备104上可以安装有各种通讯客户端应用，例如图像处理类应用等。
终端设备104可以是硬件，也可以是软件。当终端设备104为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备104为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于处理图像的方法可以由终端设备104执行。相应地，用于处理图像的装置可以设置于终端设备104中。
应该理解，图1中的相机、网络和终端设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的相机、网络和终端设备。
继续参考图2，示出了根据本申请的用于处理图像的方法的一个实施例的流程200。本实施例的用于处理图像的方法，包括以下步骤：
步骤201，获取眼底图像。
本实施例中，用于处理图像的执行主体(例如图1中的终端设备104)可以通过有线连接或无线连接的方式，从眼底照相机、数字眼底镜等设备获取所采集的眼底图像。具体地，该眼底照相机可以采用图像采集卡及CCD摄像头。眼底照相机成像的胶片面积(26×22mm)远远大于CCD摄像头的成像面积(6.4×4.8mm)，所以需用光学接口进行光学转换和成像，按要求的放大倍率将眼底图像清晰地成像在CCD接收靶面上。光学接口主要起光学转换和成像的作用。具体地，数字眼底镜可以配合移动终端使用，利用移动终端采集眼底图像。
步骤202，根据眼底图像，确定血管图像。
执行主体在获取眼底图像后，可以对眼底图像进行进一步的处理，具体地，执行主体可以首先将眼底图像的原图的最长边的长度设置为1024像素，将设置后的眼底图像放置于1024*1024像素尺寸的背景图像中心，形成一个固定像素尺寸(1024*1024)的图像，然后对该图像进行自动化分割，得到血管图像。眼底图像中可以包括视盘信息、眼底血管信息以及眼底血管周围的背景信息。血管图像中包含眼底血管信息。这里的“分割”，可以是将眼底图像中的视盘、眼底血管周围的背景与眼底血管分离开，提取眼底图像中与眼底血管对应的血管图像。
具体地，执行主体可以利用深度学习分割算法框架，对眼底图像中的血管图像进行自动化分类并分割。深度学习分割算法框架，例如，可以采用Unet框架模型，Unet框架模型包括两部分，第一部分为特征提取结构，可采用预训练的残差神经网络，例如Resnet-50等网络进行特征提取，第二部分为上采样部分，采用反卷积处理。具体地，采用Resnet-50网络提取眼底图像中的与血管对应的特征，比如颜色特征，尺寸特征等，从而对血管图像进行自动化分割。示例的，首先向Unet框架模型结构中输入任意大小，比如1024*1024像素的原始眼底图像；该原始眼底图像经过第一部分的特征提取Resnet-50网络前向传播至上采样层，并传播至最后共享的卷积层，一方面用于产生更高维的特征图，另一方面该原始图像信息融合进上采样层，使得最后进行像素分类的信息更丰富且能够保留原始图像中的重要信息。最后到达对每个像素进行分类的卷积层，经过该层能够输出像素的分类得分。Unet框架模型训练采用二元加权交叉熵损失函数联合Dice损失函数作为模型的优化损失函数，对Unet框架模型进行优化训练，最终将Unet框架模型输出的得分图进行阈值化分割获得眼底血管的二值化分割图像。
步骤203，对血管图像进行分割，得到血管片段图像。
执行主体在得到血管图像后，可以对血管图像进行分割，得到血管片段图像。具体地，这里的“分割”，可以是将血管图像中的一整根血管断开，得到分离的血管片段图像。执行主体可以调用裁剪工具或擦除工具，可以按照预设长度将血管图像进行裁剪或擦除部分血管图像区域，最后分割得到等长的血管片段图像。当然，可以理解的是，血管片段图像可以不是等长的，根据实际需要可以将血管图像分割成不同长度的血管片段图像。本申请对血管片段的分割方式以及分割得到的血管片段的长度不做具体限定。
步骤204，确定血管片段图像中的动脉血管片段和静脉血管片段。
执行主体在得到血管片段图像后，可以确定血管片段图像中的动脉血管片段和静脉血管片段。具体地，可以根据动脉血管和静脉血管的颜色的差异，利用预训练的深度学习分类网络模型，具体可以提取血管片段的颜色特征，并根据所提取的特征对血管片段进行分类，本申请对所提取的特征不做限定。示例的，深度学习分类网络模型可以使用预训练的ResNet-50等，进行动脉血管片段和静脉血管片段的分类判断，以确定血管片段图像中的动脉血管片段和静脉血管片段。
步骤205，根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
执行主体在确定血管片段图像中的动脉血管片段和静脉血管片段后，可以根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。具体地，执行主体可以调用测量工具对动脉血管片段和静脉血管片段的直径进行测量，分别获取动脉血管片段和静脉血管片段的血管直径，将动静脉血管直径的比值确定为动静脉血管比值，并输出。
继续参考图3，其示出了根据本申请的用于处理图像的方法的一个应用场景的示意图。在图3的课堂教学的对医疗影像进行分析的应用场景中，老师可以用相机301采集眼底图像302，计算机304通过有线或无线网络303获取眼底图像302。计算机304根据眼底图像302，确定血管图像305。计算机304对血管图像305进行分割处理，得到血管片段图像306。计算机304确定血管片段图像306中的动脉血管片段和静脉血管片段。计算机304根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并将确定出的动脉血管片段、静脉血管片段、动静脉血管比值以及动静脉血管比值的计算过程输出显示于课堂教学的屏幕上，以便于更加直观地使学生对动静脉血管以及动静脉血管比值进行理解。
本实施例通过将血管图像分割得到血管片段图像，根据血管片段图像中的动脉血管片段和静脉血管片段计算动静脉血管比值，可以克服像素级别分类算法误差，提高对动静脉血管分类及对动静脉血管比值计算的准确性，操作便捷、快速，应用范围广。
继续参考图4，其示出了根据本申请的用于处理图像的方法的另一个实施例的流程400。如图4所示，本实施例的用于处理图像的方法，可以包括以下步骤：
步骤401，获取眼底图像。
步骤401的原理与步骤201的原理类似，此处不再赘述。
步骤402，根据眼底图像，确定血管图像。
步骤402的原理与步骤202的原理类似，此处不再赘述。
具体地，步骤402可以通过以下步骤4021～步骤4023来实现：
步骤4021，对眼底图像进行识别，得到视盘区域位置。
执行主体在获取眼底图像后，可以对眼底图像进行识别，得到视盘区域位置。具体地，由于眼底图像内部以及不同眼底图像间存在亮度、颜色差异，远离视盘一定程度后，动静脉血管差异性降低，同时视盘内血管缠绕复杂不利于区分，更重要的是动静脉血管比值的计算主要关注的是主干血管，远离视盘越远，计算的价值越低，因此，仅对视盘区域周围的血管进行信息获取和计算。具体地，执行主体可以采用预训练的Faster-RCNN深度学习网络模型，实现视盘区域周围的血管的信息获取。具体地，首先向Faster-RCNN深度学习网络模型输入任意大小图片，比如1024*1024像素的图像。该图像经过Faster-RCNN网络前向传播至共享的卷积层，一方面得到供区域候选网络(RPN，Region Proposal Network)输入的特征图，另一方面继续前向传播至Faster-RCNN深度学习网络模型的特有卷积层，产生更高维的特征图，并将该更高维的特征图输入至Faster-RCNN深度学习网络模型的Rol池化层。上述供RPN网络输入的特征图经过RPN网络，得到区域建议和区域得分，并对区域得分采用非极大值抑制(阈值可以为0.5)，输出得分排在前N个的区域建议(即前Top-N得分的区域建议)至Faster-RCNN深度学习网络模型的Rol池化层。此时，上述更高维的特征图和前Top-N得分的区域建议共同输入到了Faster-RCNN深度学习网络模型的Rol池化层。由该池化层提取对应区域建议的特征，并输入至Faster-RCNN深度学习网络模型的全连接层，得到区域的分类得分以及视盘区域位置。其中，RPN网络可以通过反向传播和随机梯度下降的端到端训练得到。
步骤4022，根据眼底图像、视盘区域位置以及预设步长，确定目标眼底图像。
执行主体在得到视盘区域位置后，可以根据眼底图像、视盘区域位置以及预设步长，确定目标眼底图像。具体地，执行主体可以在眼底图像中以视盘区域为中心，获取长和宽分别为预设步长的包围视盘区域的四边形区域。具体地，预设步长可以是6倍视盘直径或3倍视盘直径；四边形区域可以是长是6倍视盘直径、宽是3倍视盘直径的矩形区域。执行主体可以将获取的该四边形区域确定为目标眼底图像。
步骤4023，对目标眼底图像进行二值化分割，得到血管图像。
本实施例中，对目标眼底图像进行二值化分割就是将图像二值化，然后再进行分割。图像二值化(Image Binarization)就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使目标眼底图像中的数据量大为减少，从而能凸显出血管图像的轮廓。具体地，执行主体可以采用Unet框架对目标眼底图像进行分类，得到对目标眼底图像的分类得分图，从而确定目标眼底图像中的彩色血管图像，然后将该分类得分图进行阈值化分割，然后将阈值化分割后的图像进行图像二值化处理，得到血管图像。血管图像中白色区域代表血管，黑色区域代表血管周围的图片背景。
本实施例利用深度学习可以便捷、快速地确定出眼底图像中的视盘区域位置，由于深度学习提取的图像特征更优，相比传统的分割算法，鲁棒性更加，对视盘区域位置的确定精度更高；通过根据视盘区域位置、预设步长以及二值化分割的方法得到血管图像，可以减少对目标眼底图像处理的数据量，提高图像处理速度；通过设置预设步长获取目标眼底图像，可以提高所获取的视盘周围的待分类血管数据的质量，从而提高图像处理的准确性。
步骤403，对血管图像进行分割，得到血管片段图像。
步骤403的原理与步骤203的原理类似，此处不再赘述。
具体地，步骤403可以通过以下步骤4031～步骤4033来实现：
步骤4031，提取血管图像中的血管中心线。
执行主体在得到血管图像后，可以提取血管图像中的血管中心线。具体地，对血管图像首先进行膨胀算法，即将血管图像与原始的眼底图像中对应位置的背景点的像素合并，即对应位置的像素值进行“或”运算，使血管图像的边界向外部扩张，得到膨胀血管图像，避免分割不全造成血管断裂、不连续等问题。然后，使用细化算法对膨胀血管图像进行图像细化，即将膨胀血管图像的线条从多像素宽度减少到单位像素宽度，并保持拓扑不变，得到血管中心线。
步骤4032，确定血管中心线的交叉点。
执行主体在得到血管中心线后，可以调用点的捕捉工具确定血管中心线的交叉点。该交叉点可以是动脉血管和动脉血管的交叉点、动脉血管的分支点、静脉血管和静脉血管的交叉点、静脉血管的分支点或者是动脉血管和静脉血管的交叉点，本申请对交叉点的类型不做具体限定。
步骤4033，根据交叉点，对血管图像进行分割，得到血管片段图像。
执行主体在得到交叉点后，可以根据交叉点，对血管图像进行分割，得到血管片段图像。具体地，执行主体可以调用擦除工具，以交叉点位置为中心，以R(血管最大半径*1.2)为半径的圆形区域进行擦除，使得各自相连的血管断开，形成大量独立的血管片段。然后将该大量独立的血管片段与原始的眼底图像中对应位置的背景点的像素合并，即与原始的眼底图像中的像素值进行“或”运算，如果各血管片段与原始的眼底图像中对应位置的像素值均为0，则“或”运算的结果为0，对应位置的颜色为黑色，如果各血管片段与原始的眼底图像中对应位置的像素值有一个不为0，则“或”运算的结果为1，对应位置的颜色为白色，结果是使各血管片段的边界向外部扩张，得到膨胀血管片段图像，将该膨胀血管片段图像确定为对血管图像进行分割后的待分类的血管片段图像。
本实施例将对每个像素进行动静脉分类的问题，转换成对每个血管片段进行动静脉分类的问题，不仅能够克服像素级分类算法误差可能造成的一根血管分别存在动脉像素、也存在静脉像素的问题，同时也能够避免动静脉交叉和血管分支等易造成血管误判区域的问题。本实施例能够在不影响动静脉管径计算的前提下，对交叉点直接进行去除，避免了交叉点附近区域的动静脉分类误差给动静脉比值计算造成的影响。通过提取血管中心线并确定血管中心线的交叉点，可以提高对血管图像进行分割得到血管片段图像的准确性。并且通过将独立的血管片段与原始的眼底图像中对应位置的背景点的像素合并，将合并后的膨胀血管片段图像确定为待分类的血管片段图像，如此，利用深度学习能够提取更高维、更深层次的影像学特征，在对该影像学特征进行分类时，利用优化函数，自动学习能够区分动静脉的重要特征，克服了传统方法受限于人为因素的影响。同时图像领域的大量实践均证明了，深度学习分类方法相比传统的人为描述特征及传统的SVM、随机森林等分类器等，分类准确率更高，鲁棒性更佳，对低质量图像也能进行很好地识别。同时可以避免由于使用独立的血管信息，导致缺乏与背景信息的对比造成动静脉之间分类难度的增加，可以使动静脉之间的分类更简单和精确。
步骤404，确定血管片段图像中的动脉血管片段和静脉血管片段。
步骤404的原理与步骤204的原理类似，此处不再赘述。
具体地，步骤404可以通过以下步骤4041～4044来实现：
步骤4041，提取血管片段图像中的每个血管片段的图像通道信息。
步骤4042，根据图像通道信息、预设的血管片段尺寸以及预设的血管片段的个数，确定每个血管片段对应的目标待分类数据。
本实施例中，血管片段图像均属于同一人。执行主体在得到血管片段图像后，可以提取血管片段图像中的每个血管片段的图像通道信息。具体地，在此之前，执行主体还可以将各待分类的血管片段图像按照血管片段区域的周长进行排序，示例的，选取排序在前的20个血管片段图像，并调用抠图工具对所选取的各血管片段图像抠取像素尺寸为128*64大小的区域，具体地是以所选取的各血管片段图像的中心为中心点进行抠取，如果存在血管片段图像的尺寸不足128*64，则不足的区域用0补充，如果不足20个血管，则用全0的图像作为血管片段图像进行补充。然后，执行主体将每个抠取后的血管片段的图像通道信息，例如，可以是绿通道信息提取，最终形成一个指示绿通道信息的维度为128*64*20的三维数据。其中，“128*64”是预设的血管片段尺寸，20是预设的血管片段的个数。将这个三维数据作为每个血管片段对应的目标待分类数据，输入预训练的分类模型，进行分类。
步骤4043，根据目标待分类数据以及预训练的分类模型，确定目标待分类数据对应的每个血管片段的分数。
本实施例中，预训练的分类模型用于表征目标待分类数据与分数之间的对应关系。执行主体可以将目标待分类数据输入预训练的分类模型中，输出目标待分类数据对应的每个血管片段的分数。
步骤4044，根据分数和预设阈值，确定血管片段图像中的动脉血管片段和静脉血管片段。
本实施例中，执行主体在得到预训练的分类模型，例如ResNet，输出的每个血管片段的分数后，可以根据分数和预设阈值，确定血管片段图像中的动脉血管片段和静脉血管片段。当然，也可以继续由预训练的分类模型根据输出的分数以及预设阈值，确定血管片段图像中的动脉血管片段和静脉血管片段。具体地，预设阈值可以包括第一预设阈值和第二预设阈值。执行主体可以判断各分数与预设阈值的大小关系，确定血管片段的类型。具体地，对于每个分数，执行主体响应于确定该分数小于第一预设阈值，确定该分数对应的血管片段为动脉血管片段。执行主体响应于确定该分数大于第二预设阈值，确定该分数对应的血管片段为静脉血管片段。执行主体响应于确定该分数大于第一预设阈值且小于第二预设阈值，确定该分数对应的血管片段为“其他”血管片段。在对分类模型进行预训练时，采用的训练集为部分目标待分类数据以及标注的该部分目标待分类数据的分数。例如，该分数可以是0(代表静脉)、1(代表动脉)、2(代表其他，由于可能会有部分不足20个血管的血管片段用0补充的，这部分标注为“其他”)。如此，操作简单，且非常便捷、快速，在实践中更容易实现和推广。
本实施例通过提取的图像通道信息确定目标待分类数据，可以使得目标待分类数据最鲁棒、最不受光照、采集设备等干扰，数据质量较好，可以提高对血管片段分类的准确性。并且，本申请通过将同一人的目标待分类数据作为分类模型的输入，能够将动静脉之间的对比差异进行保留，相比传统仅基于动静脉的特征进行分类，更符合人眼区分动静脉时利用的信息，信息保留的更完整。
步骤405，根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
步骤405的原理与步骤205的原理类似，此处不再赘述。
具体地，步骤405可以通过以下步骤4051～步骤4052来实现：
步骤4051，获取动脉血管片段的动脉血管直径均值以及静脉血管片段的静脉血管直径均值。
执行主体在确定血管片段图像中的动脉血管片段和静脉血管片段后，可以获取动脉血管片段的动脉血管直径均值以及静脉血管片段的静脉血管直径均值。具体地，执行主体可以利用利用opencv的distanceTransform():函数，该函数用于计算图像中每一个非零点像素与其最近的零点像素之间的距离，输出的是保存每一个非零点与最近零点的距离信息；图像上越亮的点，代表了离零点的距离越远。利用该函数计算动脉血管片段和静脉血管片段的二值化图像中每一个非零点距离自己最近的零点的距离，每个血管片段设置平均距离为阈值，统计大于阈值的所有点的距离均值作为该血管片段的血管半径，血管直径为半径*2。然后，根据该计算方法，计算所有动脉血管片段的动脉血管直径均值Da以及计算所有静脉血管片段的静脉血管直径均值Dv。
步骤4052，根据动脉血管直径均值以及静脉血管直径均值，确定动静脉血管比值，并输出。
执行主体在得到动脉血管直径均值Da和静脉血管直径均值Dv后，可以将Da/Dv的比值确定为动静脉血管比值，并输出。
本实施例通过根据动脉血管直径均值和静脉血管直径均值，确定动静脉血管比值，可以使计算结果更准确。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理图像的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于处理图像的装置500包括：获取单元501、血管图像确定单元502、血管片段图像确定单元503、动静脉血管片段确定单元504和输出单元505。
获取单元501，被配置成获取眼底图像。
血管图像确定单元502，被配置成根据眼底图像，确定血管图像。
血管片段图像确定单元503，被配置成对血管图像进行分割，得到血管片段图像。
动静脉血管片段确定单元504，被配置成确定血管片段图像中的动脉血管片段和静脉血管片段。
输出单元505，被配置成根据动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
在本实施例的一些可选的实现方式中，血管图像确定单元502进一步被配置成：对眼底图像进行识别，得到视盘区域位置；根据眼底图像、视盘区域位置以及预设步长，确定目标眼底图像；对目标眼底图像进行二值化分割，得到血管图像。
在本实施例的一些可选的实现方式中，血管片段图像确定单元503进一步被配置成：提取血管图像中的血管中心线；确定血管中心线的交叉点；根据交叉点，对血管图像进行分割，得到血管片段图像。
在本实施例的一些可选的实现方式中，动静脉血管片段确定单元504进一步被配置成：提取血管片段图像中的每个血管片段的图像通道信息；根据图像通道信息、预设的血管片段尺寸以及预设的血管片段的个数，确定每个血管片段对应的目标待分类数据；根据目标待分类数据以及预训练的分类模型，确定目标待分类数据对应的每个血管片段的分数，其中，预训练的分类模型用于表征目标待分类数据与分数之间的对应关系；根据分数和预设阈值，确定血管片段图像中的动脉血管片段和静脉血管片段。
在本实施例的一些可选的实现方式中，输出单元505进一步被配置成：获取动脉血管片段的动脉血管直径均值以及静脉血管片段的静脉血管直径均值；根据动脉血管直径均值以及静脉血管直径均值，确定动静脉血管比值，并输出。
应当理解，用于处理图像的装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于处理图像的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了一种用于处理图像的电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的用于处理图像的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线605互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线605与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于处理图像的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于处理图像的方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及单元，如本申请实施例中的用于处理图像的方法对应的程序指令/单元(例如，附图5所示的获取单元501、血管图像确定单元502、血管片段图像确定单元503、动静脉血管片段确定单元504和输出单元505)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于处理图像的方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于处理图像的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于处理图像的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用于处理图像的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线605或者其他方式连接，图6中以通过总线605连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与用于处理图像的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过将血管图像分割得到血管片段图像，根据血管片段图像中的动脉血管片段和静脉血管片段计算动静脉血管比值，可以克服像素级别分类算法误差，提高对动静脉血管分类及对动静脉血管比值计算的准确性，操作便捷、快速，应用范围广。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种用于处理图像的方法，包括：
获取眼底图像；
根据所述眼底图像，确定血管图像；
对所述血管图像进行分割，得到血管片段图像；
确定所述血管片段图像中的动脉血管片段和静脉血管片段；
根据所述动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
2.根据权利要求1所述的方法，其中，所述根据所述眼底图像，确定血管图像，包括：
对所述眼底图像进行识别，得到视盘区域位置；
根据所述眼底图像、所述视盘区域位置以及预设步长，确定目标眼底图像；
对所述目标眼底图像进行二值化分割，得到血管图像。
3.根据权利要求1所述的方法，其中，所述对所述血管图像进行分割，得到血管片段图像，包括：
提取所述血管图像中的血管中心线；
确定所述血管中心线的交叉点；
根据所述交叉点，对所述血管图像进行分割，得到血管片段图像。
4.根据权利要求1所述的方法，其中，所述确定所述血管片段图像中的动脉血管片段和静脉血管片段，包括：
提取所述血管片段图像中的每个血管片段的图像通道信息；
根据所述图像通道信息、预设的血管片段尺寸以及预设的血管片段的个数，确定所述每个血管片段对应的目标待分类数据；
根据所述目标待分类数据以及预训练的分类模型，确定所述目标待分类数据对应的每个血管片段的分数，其中，所述预训练的分类模型用于表征目标待分类数据与分数之间的对应关系；
根据所述分数和预设阈值，确定所述血管片段图像中的动脉血管片段和静脉血管片段。
5.根据权利要求1～4中任一项所述的方法，其中，所述根据所述动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出，包括：
获取所述动脉血管片段的动脉血管直径均值以及所述静脉血管片段的静脉血管直径均值；
根据所述动脉血管直径均值以及所述静脉血管直径均值，确定动静脉血管比值，并输出。
6.一种用于处理图像的装置，包括：
获取单元，被配置成获取眼底图像；
血管图像确定单元，被配置成根据所述眼底图像，确定血管图像；
血管片段图像确定单元，被配置成对所述血管图像进行分割，得到血管片段图像；
动静脉血管片段确定单元，被配置成确定所述血管片段图像中的动脉血管片段和静脉血管片段；
输出单元，被配置成根据所述动脉血管片段和静脉血管片段，确定动静脉血管比值，并输出。
7.根据权利要求6所述的装置，其中，所述血管图像确定单元进一步被配置成：
对所述眼底图像进行识别，得到视盘区域位置；
根据所述眼底图像、所述视盘区域位置以及预设步长，确定目标眼底图像；
对所述目标眼底图像进行二值化分割，得到血管图像。
8.根据权利要求6所述的装置，其中，所述血管片段图像确定单元进一步被配置成：
提取所述血管图像中的血管中心线；
确定所述血管中心线的交叉点；
根据所述交叉点，对所述血管图像进行分割，得到血管片段图像。
9.根据权利要求6所述的装置，其中，所述动静脉血管片段确定单元进一步被配置成：
提取所述血管片段图像中的每个血管片段的图像通道信息；
根据所述图像通道信息、预设的血管片段尺寸以及预设的血管片段的个数，确定所述每个血管片段对应的目标待分类数据；
根据所述目标待分类数据以及预训练的分类模型，确定所述目标待分类数据对应的每个血管片段的分数，其中，所述预训练的分类模型用于表征目标待分类数据与分数之间的对应关系；
根据所述分数和预设阈值，确定所述血管片段图像中的动脉血管片段和静脉血管片段。
10.根据权利要求6～9中任一项所述的方法，其中，所述输出单元进一步被配置成：
获取所述动脉血管片段的动脉血管直径均值以及所述静脉血管片段的静脉血管直径均值；
根据所述动脉血管直径均值以及所述静脉血管直径均值，确定动静脉血管比值，并输出。
11.一种用于处理图像的电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
CN202011016943.5A 2020-09-24 2020-09-24 用于处理图像的方法、装置、设备以及存储介质 Pending CN111932535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011016943.5A CN111932535A (zh) 2020-09-24 2020-09-24 用于处理图像的方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011016943.5A CN111932535A (zh) 2020-09-24 2020-09-24 用于处理图像的方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN111932535A true CN111932535A (zh) 2020-11-13

Family

ID=73334177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011016943.5A Pending CN111932535A (zh) 2020-09-24 2020-09-24 用于处理图像的方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN111932535A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508898A (zh) * 2020-11-30 2021-03-16 北京百度网讯科技有限公司 眼底图像的检测方法、装置及电子设备
CN112734784A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种高精度眼底血管边界确定的方法、装置、介质和设备
CN112862833A (zh) * 2020-12-31 2021-05-28 上海联影智能医疗科技有限公司 血管分段方法、电子装置和存储介质
CN112927239A (zh) * 2021-02-22 2021-06-08 北京安德医智科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113239992A (zh) * 2021-04-28 2021-08-10 深圳睿心智能医疗科技有限公司 血管分类方法及装置
CN113344893A (zh) * 2021-06-23 2021-09-03 依未科技(北京)有限公司 一种高精度眼底动静脉识别的方法、装置、介质和设备
CN113724857A (zh) * 2021-08-27 2021-11-30 清华大学深圳国际研究生院 基于眼底图像视网膜血管的眼底疾病自动诊断装置
WO2022142030A1 (zh) * 2020-12-28 2022-07-07 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
WO2022242392A1 (zh) * 2021-05-19 2022-11-24 腾讯科技（深圳）有限公司 血管图像分类处理方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340789A (zh) * 2020-02-29 2020-06-26 平安科技（深圳）有限公司 眼底视网膜血管识别及量化方法、装置、设备及存储介质
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
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

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508898A (zh) * 2020-11-30 2021-03-16 北京百度网讯科技有限公司 眼底图像的检测方法、装置及电子设备
WO2022142030A1 (zh) * 2020-12-28 2022-07-07 深圳硅基智能科技有限公司 高血压性视网膜病变的病变特征的测量方法及测量系统
CN112862833A (zh) * 2020-12-31 2021-05-28 上海联影智能医疗科技有限公司 血管分段方法、电子装置和存储介质
CN112734784A (zh) * 2021-01-28 2021-04-30 依未科技(北京)有限公司 一种高精度眼底血管边界确定的方法、装置、介质和设备
CN112927239A (zh) * 2021-02-22 2021-06-08 北京安德医智科技有限公司 图像处理方法、装置、电子设备及存储介质
CN113239992A (zh) * 2021-04-28 2021-08-10 深圳睿心智能医疗科技有限公司 血管分类方法及装置
CN113239992B (zh) * 2021-04-28 2024-05-07 深圳睿心智能医疗科技有限公司 血管分类方法及装置
WO2022242392A1 (zh) * 2021-05-19 2022-11-24 腾讯科技（深圳）有限公司 血管图像分类处理方法、装置、设备及存储介质
CN113344893A (zh) * 2021-06-23 2021-09-03 依未科技(北京)有限公司 一种高精度眼底动静脉识别的方法、装置、介质和设备
CN113724857A (zh) * 2021-08-27 2021-11-30 清华大学深圳国际研究生院 基于眼底图像视网膜血管的眼底疾病自动诊断装置

Similar Documents

Publication Publication Date Title
CN111932535A (zh) 用于处理图像的方法、装置、设备以及存储介质
CN111860506B (zh) 识别文字的方法和装置
CN110874594B (zh) 基于语义分割网络的人体外表损伤检测方法及相关设备
CN112883962B (zh) 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN111681242B (zh) 视网膜血管动静脉区分方法和装置、设备
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
US11783488B2 (en) Method and device of extracting label in medical image
CN109344864B (zh) 用于密集物体的图像处理方法及装置
CN109635669B (zh) 图像分类方法、装置及分类模型的训练方法、装置
CN111563550B (zh) 基于图像技术的精子形态检测方法和装置
CN112541924B (zh) 眼底图像生成方法、装置、设备以及存储介质
CN109583364A (zh) 图像识别方法及设备
CN111861999A (zh) 动静脉交叉压迫征的检测方法、装置、电子设备及可读存储介质
CN111797900B (zh) 一种oct-a图像的动静脉分类方法及装置
CN113763348A (zh) 图像质量确定方法、装置、电子设备及存储介质
CN112232448A (zh) 图像分类方法、装置、电子设备和存储介质
CN110473176B (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
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
CN113610809B (zh) 骨折检测方法、装置、电子设备以及存储介质
CN112288697B (zh) 用于量化异常程度的方法、装置、电子设备及可读存储介质
CN111951214B (zh) 图像中可读区域的分割方法、装置、电子设备及存储介质
CN111768005B (zh) 轻量级检测模型的训练方法、装置、电子设备及存储介质
CN111738264A (zh) 一种机房设备显示面板数据的智能采集方法
KR102282334B1 (ko) 시신경 유두 분류 방법
Jiang et al. A supervised method for retinal image vessel segmentation by embedded learning and classification

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