CN112017187A - 眼底图像黄斑中心定位方法及装置、服务器、存储介质 - Google Patents
眼底图像黄斑中心定位方法及装置、服务器、存储介质 Download PDFInfo
- Publication number
- CN112017187A CN112017187A CN202011201879.8A CN202011201879A CN112017187A CN 112017187 A CN112017187 A CN 112017187A CN 202011201879 A CN202011201879 A CN 202011201879A CN 112017187 A CN112017187 A CN 112017187A
- Authority
- CN
- China
- Prior art keywords
- macular
- regression
- fundus image
- detected
- coordinate
- 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
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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种眼底图像黄斑中心定位方法及装置、服务器、存储介质,其适用于医疗科技,该方法包括:获取待检测眼底图像;基于黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;从多个黄斑区域的检测框中确定出目标检测框,并基于目标检测框确定待检测眼底图像的第一局部回归黄斑中心坐标;根据各黄斑区域的回归黄斑中心坐标确定待检测眼底图像的第二局部回归黄斑中心坐标;根据全局回归黄斑中心坐标、第一局部回归黄斑中心坐标和第二局部回归黄斑中心坐标确定待检测眼底图像的黄斑中心坐标。采用本申请,可以提高黄斑中心的定位准确度。
Description
技术领域
本申请涉及医疗图像处理技术领域,尤其涉及一种眼底图像黄斑中心定位方法及装置、服务器、存储介质。
背景技术
眼底彩照是一种常用的眼底病变检查方法,眼底就是眼球的内膜,具有视网膜、视乳头、黄斑和视网膜中央动静脉等结构。其中,黄斑中心处于人眼的光学中心区,是对视力影响最大的区域,因此,准确的黄斑中心定位,对眼科疾病诊断和治疗,具有极其重要的意义。
现有技术中,黄斑中心定位是利用检测网络,直接对黄斑中心区域进行检测,获取黄斑区域检测框的坐标,最后根据检测框的坐标获取黄斑中心坐标;或者先检测出视盘位置,然后根据视盘位置对黄斑中心进行定位。然而,当黄斑区域病变严重,现有技术则无法准确检测黄斑区域时,便无法准确定位黄斑中心坐标。此外,现有技术根据视盘位置对黄斑中心进行定位过于依赖视盘的位置,易受图像质量影响,一旦视盘检测失败,便无法准确定位黄斑中心坐标,适用性差。
发明内容
本申请提供一种眼底图像黄斑中心定位方法及装置、服务器、存储介质,可降低对视盘位置的依赖,提高黄斑中心的定位准确度,适用性高。
第一方面,本申请提供了一种眼底图像黄斑中心定位方法,包括:
获取待检测眼底图像;
基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
从上述多个黄斑区域的检测框中确定出目标检测框,并基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标;
根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
结合第一方面,在一种可能的实施方式中,上述黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络;
上述基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标,包括:
将上述待检测眼底图像输入上述黄斑中心定位模型,通过上述特征提取网络获取上述待检测眼底图像的特征图;
通过上述分类网络从上述特征图中确定出多个黄斑区域,并通过上述第一回归网络对上述特征图中的黄斑中心进行全局回归以得到上述待检测眼底图像的全局回归黄斑中心坐标;
通过上述第二回归网络对上述特征图中的黄斑中心进行局部回归,以得到上述待检测眼底图像中的多个黄斑区域的检测框以及上述多个黄斑区域的回归黄斑中心坐标。
结合第一方面,在一种可能的实施方式中,上述从上述多个黄斑区域的检测框中确定出目标检测框,包括:
根据上述多个黄斑区域的检测框中各检测框的置信度,从上述各检测框中确定出最大置信度对应的检测框作为目标检测框。
结合第一方面,在一种可能的实施方式中,上述基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标,包括:
根据上述目标检测框的顶点坐标计算上述目标检测框的中心坐标,将上述目标检测框的中心坐标确定为上述第一局部回归黄斑中心坐标。
结合第一方面,在一种可能的实施方式中,上述根据上述各黄斑区域的回归黄斑中心坐标确定上述待检测眼底图像的第二局部回归黄斑中心坐标,包括:
计算上述各黄斑区域的回归黄斑中心坐标的平均坐标,将上述平均坐标确定为上述待检测眼底图像的第二局部回归黄斑中心坐标。
结合第一方面,在一种可能的实施方式中,上述根据上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标确定上述待检测眼底图像的黄斑中心坐标,包括:
对上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标进行加权计算得到上述黄斑中心坐标。
第二方面,本申请提供了一种眼底图像黄斑中心定位装置,包括:
待检测图像获取模块,用于获取待检测眼底图像;
确定模块,用于基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
黄斑中心确定模块,用于从上述多个黄斑区域的检测框中确定出目标检测框,并基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标;
上述黄斑中心确定模块,还用于根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
所述黄斑中心确定模块,还用于根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
结合第二方面,在一种可能的实施方式中,上述黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络;
上述确定模块,包括:
输入获取单元,用于将上述待检测眼底图像输入上述黄斑中心定位模型,通过上述特征提取网络获取上述待检测眼底图像的特征图;
确定回归单元,用于通过上述分类网络从上述特征图中确定出多个黄斑区域,并通过上述第一回归网络对上述特征图中的黄斑中心进行全局回归以得到上述待检测眼底图像的全局回归黄斑中心坐标;
回归单元,用于通过上述第二回归网络对上述特征图中的黄斑中心进行局部回归,以得到上述待检测眼底图像中的多个黄斑区域的检测框以及上述多个黄斑区域的回归黄斑中心坐标。
结合第二方面,在一种可能的实施方式中,上述黄斑中心确定模块,用于根据上述多个黄斑区域的检测框中各检测框的置信度,从上述各检测框中确定出最大置信度对应的检测框作为目标检测框。
结合第二方面,在一种可能的实施方式中,上述黄斑中心确定模块,用于根据上述目标检测框的顶点坐标计算上述目标检测框的中心坐标,将上述目标检测框的中心坐标确定为上述第一局部回归黄斑中心坐标。
结合第二方面,在一种可能的实施方式中,上述黄斑中心确定模块,用于计算上述各黄斑区域的回归黄斑中心坐标的平均坐标,将上述平均坐标确定为上述待检测眼底图像的第二局部回归黄斑中心坐标。
结合第二方面,在一种可能的实施方式中,上述黄斑中心确定模块,用于对上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标进行加权计算得到上述黄斑中心坐标。
第三方面,本申请提供了一种服务器,包括处理器、存储器和收发器,上述处理器、存储器和收发器相互连接,其中,上述存储器用于存储支持上述文本加密装置执行上述眼底图像黄斑中心定位方法的计算机程序,上述计算机程序包括程序指令;上述处理器被配置用于调用上述程序指令,执行如上述本申请第一方面中上述的眼底图像黄斑中心定位方法。
第四方面,本申请提供了一种计算机可读存储介质,上述计算机可读存储介质存储有计算机程序,上述计算机程序包括程序指令;上述程序指令当被处理器执行时使上述处理器执行如本申请第一方面中上述的眼底图像黄斑中心定位方法。
在本申请中,基于黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标,可从多个黄斑区域的检测框中确定出目标检测框,并基于目标检测框确定待检测眼底图像的第一局部回归黄斑中心坐标,根据各黄斑区域的回归黄斑中心坐标确定待检测眼底图像的第二局部回归黄斑中心坐标,进而可根据全局回归黄斑中心坐标、第一局部回归黄斑中心坐标和第二局部回归黄斑中心坐标确定待检测眼底图像的黄斑中心坐标,可避免在黄斑定位过程中对视盘位置的依赖,提高了黄斑中心的定位准确度。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,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。
图1是本申请提供的眼底图像黄斑中心定位方法的场景示意图;
图2是本申请提供的眼底图像黄斑中心定位方法的一流程示意图;
图3是本申请提供的眼底图像黄斑中心定位方法的另一流程示意图;
图4是本申请提供的眼底图像黄斑中心定位装置的结构示意图;
图5是本申请提供的服务器的结构示意图。
具体实施方式
下面将结合本申请中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提出一种眼底图像黄斑中心定位方法,可通过黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框和各黄斑区域的回归黄斑中心坐标,并基于全局回归黄斑中心坐标、多个黄斑区域的检测框和各黄斑区域的回归黄斑中心坐标确定待检测眼底图像的黄斑中心坐标,可避免在黄斑定位过程中对视盘位置的依赖,提高了黄斑中心的定位准确度。
请参见图1,是本申请提供的眼底图像黄斑中心定位方法的场景示意图。如图1所示,眼底图像采集设备在采集到患者的眼底图像后,将该眼底图像发送给黄斑中心定位平台。黄斑中心定位平台接收该眼底图像以作为待检测眼底图像后,将待检测眼底图像输入黄斑中心定位模型以得到待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框和各黄斑区域的回归中心坐标。黄斑中心定位平台根据待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框和各黄斑区域的回归中心坐标确定出待检测眼底图像的黄斑中心。这里,黄斑中心定位平台可以为医疗机构数据系统中对眼底图像进行黄斑中心定位的设备,眼底图像采集设备可以为医疗机构中通过眼底彩照的方式获取患者眼底图像的采集设备。
为方便描述,下面将以黄斑中心定位平台为执行主体,结合图2至图3对本申请提供的眼底图像黄斑中心定位方法进行示例说明。
参见图2,是本申请提供的眼底图像黄斑中心定位方法的一流程示意图。如图1所示,本申请提供的方法可包括如下步骤:
S101,获取待检测眼底图像。
在一些可行的实施方式中,黄斑中心定位平台向眼底图像采集设备发送眼底图像获取请求,眼底图像采集设备接收眼底图像获取请求,并根据该眼底图像获取请求在眼底图像库中随机获取一张眼底图像,并将该眼底图像返回给黄斑中心定位平台。黄斑中心定位平台接收该眼底图像以作为待检测眼底图像。之后,黄斑中心定位平台除了对该待检测眼底图像进行随机翻转、色彩变换外,还可以通过直方图匹配和限制对比度自适应直方图均衡(Contrast Limited Adaptive Histogram Equalization,CLAHE)算法对待检测眼底图像进行图像风格统一,保证黄斑中心定位模型输入的一致性。
S102,基于黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标。
在一些可行的实施方式中,黄斑中心定位平台可构建一个黄斑中心定位模型,基于黄斑中心定位模型来获取待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框和各黄斑区域的回归黄斑中心坐标。可选的,黄斑中心定位平台构建黄斑中心定位模型时可获取眼底图像样本集合,该眼底图像样本集合中包括多张眼底图像,并且每张眼底图像上均标记有黄斑区域的检测框以及黄斑中心。黄斑中心定位平台可将眼底图像样本集合输入改进后的Mask-Rcnn网络进行训练,当该网络达到收敛条件(如网络输出的黄斑中心与真实黄标中心之间的距离小于预设距离阈值)时,则将训练好的Mask-Rcnn网络确定为黄斑中心定位模型。
在一些可行的实施方式中,黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络。黄斑中心定位平台可将待检测眼底图像输入黄斑中心定位模型,通过特征提取网络获取待检测眼底图像的特征图;通过分类网络从特征图中确定出多个黄斑区域,并通过第一回归网络对特征图中的黄斑中心进行全局回归以得到待检测眼底图像的全局回归黄斑中心坐标;通过第二回归网络对特征图中的黄斑中心进行局部回归以得到待检测眼底图像中的多个黄斑区域的检测框以及多个黄斑区域的回归黄斑中心坐标。
在一些可行的实施方式中,特征提取网络可包括多层主干网络、多层特征金字塔网络层、注意力层和ROI-Align层。其中,多层主干网络中的每层主干网络采用MobileNetV2网络,每层主干网络用于提取待检测眼底图像的特征,为自上向下的结构,逐层进行下采样处理。多层特征金字塔网络层中的每层特征金字塔网络层的输入为下一层特征金字塔网络层的输出以及与每层特征金字塔网络层位于同一层的主干网络的输出之和,为自下向上的结构,逐层进行上采样处理。注意力层,使得网络的特征提取能力更关注于黄斑区域,并减少其他区域引入的噪声。ROI-Align层用于对从注意力层输出的多个不同尺寸的特征图进行RoIAlign操作,得到多个相同尺寸的特征图,将多个相同尺寸的特征图进行concat连接,得到一张多通道的特征图,即待检测眼底图像的特征图。这里,获取待检测眼底图像的特征图还可根据其他获取图像特征图的技术手段实现,本申请对此不做限定。
在一些可行的实施方式中,特征提取网络在得到待检测眼底图像的特征图后,将该待检测眼底图像的特征图分别输出至分类网络、第一回归网络和第二回归网络。分类网络从待检测眼底图像的特征图中确定为多个黄斑区域,第一回归网络对待检测眼底图像的特征图中的黄斑中心进行全图范围内的回归,得到待检测眼底图像的全局回归黄斑中心坐标,第二回归网络对待检测眼底图像的特征图中的黄斑中心进行黄斑区域内的回归,得到待检测眼底图像中的多个黄斑区域的检测框以及多个黄斑区域中各黄斑区域的回归黄斑中心坐标。可选的,本申请中第一回归网络和第二回归网络中对黄斑中心坐标的回归均可通过损失函数L=((y1-y1’)2+(y2-y2’)2+…+(yn-yn’)2)/n实现,其中,yn和yn’分别为实际的黄斑中心和预测得到的黄斑中心。
S103,从多个黄斑区域的检测框中确定出目标检测框,并基于目标检测框确定待检测眼底图像的第一局部回归黄斑中心坐标。
在一些可行的实施方式中,黄斑中心定位平台将多个黄斑区域的检测框中最大置信度对应的检测框确定为目标检测框,根据目标检测框的顶点坐标计算得到目标检测框的中心坐标,将目标检测框的中心坐标确定为第一局部回归黄斑中心坐标。其中,黄斑区域的检测框的置信度用于表示黄斑中心定位模型输出的黄斑区域的精确度,取值范围为0-1。这里,检测框的形状可为矩形,该形状由训练黄斑中心定位模型的眼底图像样本数据决定,可以理解,训练时眼底图像样本数据中标记黄斑区域的框的形状为矩形,则黄斑中心定位模型输出的待检测眼底图像中黄斑区域的检测框的形状为矩阵,本申请对检测框的形状不做限定。
举例来说,若目标检测框为矩形框,并且该目标检测框的顶点坐标分别为(x1,y1)、(x2,y2)、(x3,y3)和(x4,y4),则目标检测框的中心坐标为((x1+x2+x3+x4)/4,(y1+y2+y3+y4)/4),并将该中心坐标确定为待检测眼底图像的第一局部回归黄斑中心坐标。
S104,根据各黄斑区域的回归黄斑中心坐标确定待检测眼底图像的第二局部回归黄斑中心坐标。
在一些可行的实施方式中,黄斑中心定位平台计算各个黄斑区域的回归黄斑中心坐标的平均坐标,并将该平均坐标确定为待检测眼底图像的第二局部回归黄斑中心坐标。
S105,根据全局回归黄斑中心坐标、第一局部回归黄斑中心坐标和第二局部回归黄斑中心坐标确定待检测眼底图像的黄斑中心坐标。
在一些可行的实施方式中,黄斑中心定位平台根据预设的权重系数,对全局回归黄斑中心坐标、第一局部回归黄斑中心坐标和第二局部回归黄斑中心坐标进行加权计算得到黄斑中心坐标。
举例来说,若第一局部回归黄斑中心坐标fb=(x1,y1)、第二局部回归黄斑中心坐标f1=(x2,y2)和全局回归黄斑中心坐标f2=(x3,y3)的权重系数分别为0.4、0.4和0.2,则黄斑中心定位平台计算得到待检测眼底图像的黄斑中心坐标f=(0.4x1+0.4x2+0.2x3,0.4y1+0.4y2+0.2y3)。
在本申请中,黄斑中心定位平台可基于黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标,从多个黄斑区域的检测框中确定出目标检测框,并基于目标检测框确定待检测眼底图像的第一局部回归黄斑中心坐标,根据各黄斑区域的回归黄斑中心坐标确定待检测眼底图像的第二局部回归黄斑中心坐标,进而根据全局回归黄斑中心坐标、第二局部回归黄斑中心坐标和第一局部回归黄斑中心坐标,确定待检测眼底图像的黄斑中心坐标,从而避免在黄斑定位过程中对视盘位置的依赖,由于本申请不仅考虑了根据黄斑区域的检测框确定的第一局部回归黄斑中心坐标,还考虑了眼底图像全图范围内的全局回归黄斑中心坐标和多个黄斑区域的回归黄斑中心坐标,提高了黄斑中心的定位准确度。
请参见图3,是本申请提供的眼底图像黄斑中心定位方法的另一流程示意图。如图3所示,本申请提供的方法可包括如下步骤:
S201,获取待检测眼底图像。
S202,基于黄斑中心定位模型确定出待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标。
S203,从多个黄斑区域的检测框中确定出目标检测框,并基于目标检测框确定待检测眼底图像的第一局部回归黄斑中心坐标。
在一些可行的实施方式中,上述步骤S201至步骤S203所执行的实现方式可参见上述图2所示实施例中步骤S101至S103所提供的实现方式,在此不再赘述。
S204,根据全局回归黄斑中心坐标、各黄斑区域的回归黄斑中心坐标和第一局部回归黄斑中心坐标,确定待检测眼底图像的黄斑中心坐标。
在一些可行的实施方式中,黄斑中心定位平台可根据各黄斑区域的回归黄斑中心坐标计算所有回归黄斑中心坐标的平均坐标,计算平均坐标、全局回归黄斑中心坐标和第一局部回归黄斑中心坐标的平均坐标,并将上述三个坐标的平均坐标确定为待检测眼底图像的黄斑中心坐标。
举例来说,黄斑中心定位平台根据各黄斑区域的回归黄斑中心坐标l1和l2计算得到所有回归黄斑中心坐标的平均坐标f1=(l1+l2)/2,根据f1、全局回归黄斑中心坐标f2和第一局部回归黄斑中心坐标fb计算得到待检测眼底图像的黄斑中心坐标为f=(f1+f2+fb)/3。
在本申请中,黄斑中心定位平台可直接对全图范围和黄斑区域的黄斑中心进行回归,可以更准确地定位黄斑中心坐标,提高了算法的精度,同时减轻了对视盘位置的依赖,即使视盘检测失败,仍然可以良好定位黄斑中心坐标,提高了算法的鲁棒性。此外,本申请还减少了对黄斑区域的检测框位置的依赖,可以直接回归黄斑中心点坐标,解决了先检测再定位时,任务转换所带来的精度损失,进一步提高了黄斑中心定位的准确率。
基于上述方法实施例的描述,本申请还提供了一种眼底图像黄斑中心定位装置,该眼底图像黄斑中心定位装置可以是上述方法实施例中的黄斑中心定位平台。请参见图4,是本申请提供的一种眼底图像黄斑中心定位装置的结构示意图。如图4所示,该眼底图像黄斑中心定位装置4可以包括:待检测图像获取模块41、确定模块42和黄斑中心确定模块43。
待检测图像获取模块41,用于获取待检测眼底图像;
确定模块42,用于基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
黄斑中心确定模块43,用于从上述多个黄斑区域的检测框中确定出目标检测框,并基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标;
上述黄斑中心确定模块43,还用于根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
上述黄斑中心确定模块43,还用于根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
在一些可行的实施方式中,上述黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络;
上述确定模块42,包括:
输入获取单元421,用于将上述待检测眼底图像输入上述黄斑中心定位模型,通过上述特征提取网络获取上述待检测眼底图像的特征图;
确定回归单元422,用于通过上述分类网络从上述特征图中确定出多个黄斑区域,并通过上述第一回归网络对上述特征图中的黄斑中心进行全局回归以得到上述待检测眼底图像的全局回归黄斑中心坐标;
回归单元423,用于通过上述第二回归网络对上述特征图中的黄斑中心进行局部回归,以得到上述待检测眼底图像中的多个黄斑区域的检测框以及上述多个黄斑区域的回归黄斑中心坐标。
在一些可行的实施方式中,上述黄斑中心确定模块43,用于根据上述多个黄斑区域的检测框中各检测框的置信度,从上述各检测框中确定出最大置信度对应的检测框作为目标检测框。
在一些可行的实施方式中,上述黄斑中心确定模块43,用于根据上述目标检测框的顶点坐标计算上述目标检测框的中心坐标,将上述目标检测框的中心坐标确定为上述第一局部回归黄斑中心坐标。
在一些可行的实施方式中,上述黄斑中心确定单元43,用于计算上述各黄斑区域的回归黄斑中心坐标的平均坐标,将上述平均坐标确定为上述待检测眼底图像的第二局部回归黄斑中心坐标。
在一些可行的实施方式中,上述黄斑中心确定模块43,用于对上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标进行加权计算得到上述黄斑中心坐标。
可以理解的,该眼底图像黄斑中心定位装置4用于实现图2和图3实施例中黄斑中心定位平台所执行的步骤。关于图4的眼底图像黄斑中心定位装置4包括的功能块的具体实现方式及相应的有益效果,可参考前述图2和图3的实施例的具体介绍,这里不赘述。
上述图4所示实施例中的眼底图像黄斑中心定位装置4可以以图5所示的服务器500来实现。请参见图5,是本申请提供的一种服务器的结构示意图。如图5所示,上述服务器500可以包括:一个或多个处理器501、存储器502和收发器503。上述处理器501、存储器502和收发器503通过总线504连接。其中,上述收发器503用于接收或者发送数据,上述存储器502用于存储计算机程序,该计算机程序包括程序指令;处理器501用于执行存储器502存储的程序指令,执行如下操作:
获取待检测眼底图像;
基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
从上述多个黄斑区域的检测框中确定出目标检测框,并基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标;
根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
在一些可行的实施方式中,上述黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络;
上述处理器501基于黄斑中心定位模型确定出上述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标,具体执行以下操作:
将上述待检测眼底图像输入上述黄斑中心定位模型,通过上述特征提取网络获取上述待检测眼底图像的特征图;
通过上述分类网络从上述特征图中确定出多个黄斑区域,并通过上述第一回归网络对上述特征图中的黄斑中心进行全局回归以得到上述待检测眼底图像的全局回归黄斑中心坐标;
通过上述第二回归网络对上述特征图中的黄斑中心进行局部回归,以得到上述待检测眼底图像中的多个黄斑区域的检测框以及上述多个黄斑区域的回归黄斑中心坐标。
在一些可行的实施方式中,上述处理器501从上述多个黄斑区域的检测框中确定出目标检测框,具体执行以下操作:
根据上述多个黄斑区域的检测框中各检测框的置信度,从上述各检测框中确定出最大置信度对应的检测框作为目标检测框。
在一些可行的实施方式中,上述处理器501基于上述目标检测框确定上述待检测眼底图像的第一局部回归黄斑中心坐标,具体执行以下操作:
根据上述目标检测框的顶点坐标计算上述目标检测框的中心坐标,将上述目标检测框的中心坐标确定为上述第一局部回归黄斑中心坐标。
在一些可行的实施方式中,上述处理器501根据上述各黄斑区域的回归黄斑中心坐标确定上述待检测眼底图像的第二局部回归黄斑中心坐标,具体执行以下操作:
计算上述各黄斑区域的回归黄斑中心坐标的平均坐标,将上述平均坐标确定为上述待检测眼底图像的第二局部回归黄斑中心坐标。
在一些可行的实施方式中,上述处理器501根据上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标确定上述待检测眼底图像的黄斑中心坐标,具体执行以下操作:
对上述全局回归黄斑中心坐标、上述第一局部回归黄斑中心坐标和上述第二局部回归黄斑中心坐标进行加权计算得到上述黄斑中心坐标。
此外,这里需要指出的是:本申请还提供了一种计算机可读存储介质,且上述计算机可读存储介质中存储有前文提及的眼底图像黄斑中心定位装置4所执行的计算机程序,且上述计算机程序包括程序指令,当上述处理器执行上述程序指令时,能够执行前文图2或图3对应实施例中对上述眼底图像黄斑中心定位方法的描述,因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。作为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行,分布在多个地点且通过通信网络互连的多个计算设备可以组成区块链系统。
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流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
本申请提供的方法及相关装置是参照本申请提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种眼底图像黄斑中心定位方法,其特征在于,包括:
获取待检测眼底图像;
基于黄斑中心定位模型确定出所述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
从所述多个黄斑区域的检测框中确定出目标检测框,并基于所述目标检测框确定所述待检测眼底图像的第一局部回归黄斑中心坐标;
根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
2.根据权利要求1所述的方法,其特征在于,所述黄斑中心定位模型包括特征提取网络、分类网络、第一回归网络和第二回归网络;
所述基于黄斑中心定位模型确定出所述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标,包括:
将所述待检测眼底图像输入所述黄斑中心定位模型,通过所述特征提取网络获取所述待检测眼底图像的特征图;
通过所述分类网络从所述特征图中确定出多个黄斑区域,并通过所述第一回归网络对所述特征图中的黄斑中心进行全局回归以得到所述待检测眼底图像的全局回归黄斑中心坐标;
通过所述第二回归网络对所述特征图中的黄斑中心进行局部回归,以得到所述待检测眼底图像中的多个黄斑区域的检测框以及所述多个黄斑区域的回归黄斑中心坐标。
3.根据权利要求2所述的方法,其特征在于,所述从所述多个黄斑区域的检测框中确定出目标检测框,包括:
根据所述多个黄斑区域的检测框中各检测框的置信度,从所述各检测框中确定出最大置信度对应的检测框作为目标检测框。
4.根据权利要求2所述的方法,其特征在于,所述基于所述目标检测框确定所述待检测眼底图像的第一局部回归黄斑中心坐标,包括:
根据所述目标检测框的顶点坐标计算所述目标检测框的中心坐标,将所述目标检测框的中心坐标确定为所述第一局部回归黄斑中心坐标。
5.根据权利要求1所述的方法,其特征在于,所述根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标,包括:
计算所述各黄斑区域的回归黄斑中心坐标的平均坐标,将所述平均坐标确定为所述待检测眼底图像的第二局部回归黄斑中心坐标。
6.根据权利要求1所述的方法,其特征在于,所述根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标,包括:
对所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标进行加权计算得到所述黄斑中心坐标。
7.一种眼底图像黄斑中心定位装置,其特征在于,包括:
待检测图像获取模块,用于获取待检测眼底图像;
确定模块,用于基于黄斑中心定位模型确定出所述待检测眼底图像的全局回归黄斑中心坐标、多个黄斑区域的检测框以及各黄斑区域的回归黄斑中心坐标;
黄斑中心确定模块,用于从所述多个黄斑区域的检测框中确定出目标检测框,并基于所述目标检测框确定所述待检测眼底图像的第一局部回归黄斑中心坐标;
所述黄斑中心确定模块,还用于根据所述各黄斑区域的回归黄斑中心坐标确定所述待检测眼底图像的第二局部回归黄斑中心坐标;
所述黄斑中心确定模块,还用于根据所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标确定所述待检测眼底图像的黄斑中心坐标。
8.根据权利要求7所述的装置,其特征在于,所述黄斑中心确定模块还用于:
对所述全局回归黄斑中心坐标、所述第一局部回归黄斑中心坐标和所述第二局部回归黄斑中心坐标进行加权计算得到所述黄斑中心坐标。
9.一种服务器,其特征在于,包括处理器、存储器和收发器,所述处理器、存储器和收发器相互连接,其中,所述收发器用于接收或发送数据,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,执行如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201879.8A CN112017187B (zh) | 2020-11-02 | 2020-11-02 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
PCT/CN2021/083978 WO2021190656A1 (zh) | 2020-11-02 | 2021-03-30 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011201879.8A CN112017187B (zh) | 2020-11-02 | 2020-11-02 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112017187A true CN112017187A (zh) | 2020-12-01 |
CN112017187B CN112017187B (zh) | 2021-02-05 |
Family
ID=73528288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011201879.8A Active CN112017187B (zh) | 2020-11-02 | 2020-11-02 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112017187B (zh) |
WO (1) | WO2021190656A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991343A (zh) * | 2021-04-30 | 2021-06-18 | 北京至真互联网技术有限公司 | 眼底图像黄斑区域的识别检测方法和装置及设备 |
WO2021190656A1 (zh) * | 2020-11-02 | 2021-09-30 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
CN115049734A (zh) * | 2022-08-12 | 2022-09-13 | 摩尔线程智能科技(北京)有限责任公司 | 在图像中定位目标物的方法和装置 |
CN116823828A (zh) * | 2023-08-29 | 2023-09-29 | 武汉楚精灵医疗科技有限公司 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170296049A1 (en) * | 2016-04-15 | 2017-10-19 | Canon Kabushiki Kaisha | Image processing apparatus |
CN109199322A (zh) * | 2018-08-31 | 2019-01-15 | 福州依影健康科技有限公司 | 一种黄斑检测方法及一种存储设备 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109447947A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的中央凹定位方法 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN109934823A (zh) * | 2019-03-25 | 2019-06-25 | 天津工业大学 | 一种基于深度学习的dr眼底图像黄斑水肿分级方法 |
CN110517248A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 眼底图像的处理、训练方法、装置及其设备 |
CN111028230A (zh) * | 2019-12-24 | 2020-04-17 | 贵州大学 | 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法 |
CN111553883A (zh) * | 2020-03-31 | 2020-08-18 | 杭州依图医疗技术有限公司 | 一种医学影像的处理方法及装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9155464B2 (en) * | 2010-08-24 | 2015-10-13 | Kowa Company Ltd. | Visual field examination system |
CN109662686B (zh) * | 2019-02-01 | 2022-02-25 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、系统及存储介质 |
CN111046717B (zh) * | 2019-10-11 | 2024-01-30 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
CN111402243B (zh) * | 2020-03-20 | 2023-08-11 | 智眸医疗(深圳)有限公司 | 黄斑中心凹识别方法及终端 |
CN112017187B (zh) * | 2020-11-02 | 2021-02-05 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
-
2020
- 2020-11-02 CN CN202011201879.8A patent/CN112017187B/zh active Active
-
2021
- 2021-03-30 WO PCT/CN2021/083978 patent/WO2021190656A1/zh active Application Filing
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170296049A1 (en) * | 2016-04-15 | 2017-10-19 | Canon Kabushiki Kaisha | Image processing apparatus |
CN109199322A (zh) * | 2018-08-31 | 2019-01-15 | 福州依影健康科技有限公司 | 一种黄斑检测方法及一种存储设备 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109447947A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的中央凹定位方法 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN109934823A (zh) * | 2019-03-25 | 2019-06-25 | 天津工业大学 | 一种基于深度学习的dr眼底图像黄斑水肿分级方法 |
CN110517248A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 眼底图像的处理、训练方法、装置及其设备 |
CN111028230A (zh) * | 2019-12-24 | 2020-04-17 | 贵州大学 | 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法 |
CN111553883A (zh) * | 2020-03-31 | 2020-08-18 | 杭州依图医疗技术有限公司 | 一种医学影像的处理方法及装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
DAMON W.K. WONG等: "Automatic localization of the macula in a supervised graph-based", 《21ST INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR 2012)》 * |
刘梦佳: "基于深度学习的DR眼底图像黄斑水肿分级方法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021190656A1 (zh) * | 2020-11-02 | 2021-09-30 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 |
CN112991343A (zh) * | 2021-04-30 | 2021-06-18 | 北京至真互联网技术有限公司 | 眼底图像黄斑区域的识别检测方法和装置及设备 |
WO2022227342A1 (zh) * | 2021-04-30 | 2022-11-03 | 北京至真互联网技术有限公司 | 眼底图像黄斑区域的识别检测方法和装置及设备 |
US11908137B2 (en) | 2021-04-30 | 2024-02-20 | Beijing Zhenhealth Technology Co., Ltd. | Method, device and equipment for identifying and detecting macular region in fundus image |
CN115049734A (zh) * | 2022-08-12 | 2022-09-13 | 摩尔线程智能科技(北京)有限责任公司 | 在图像中定位目标物的方法和装置 |
CN116823828A (zh) * | 2023-08-29 | 2023-09-29 | 武汉楚精灵医疗科技有限公司 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
CN116823828B (zh) * | 2023-08-29 | 2023-12-08 | 武汉楚精灵医疗科技有限公司 | 黄斑变性程度参数确定方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021190656A1 (zh) | 2021-09-30 |
CN112017187B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112017187B (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
WO2021068523A1 (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
CN109784337B (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
CN110570421B (zh) | 多任务的眼底图像分类方法和设备 | |
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
Murthi et al. | Enhancement of optic cup to disc ratio detection in glaucoma diagnosis | |
CN104573620B (zh) | 虹膜定位方法及系统 | |
CN110163844B (zh) | 眼底病灶检测方法、装置、计算机设备及存储介质 | |
CN110522449B (zh) | 一种斑块分型方法、装置、电子设备及可读存储介质 | |
CN110870759A (zh) | 用于远程眼底筛查的质量控制方法和系统、及存储设备 | |
CN113724203B (zh) | 应用于oct图像中目标特征分割的模型训练方法及装置 | |
CN106446805B (zh) | 一种眼底照中视杯的分割方法及系统 | |
CN117058676B (zh) | 一种基于眼底检查影像的血管分割方法、装置和系统 | |
CN110599480A (zh) | 多源输入的眼底图像分类方法和设备 | |
CN109549619B (zh) | 眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统 | |
CN111583248B (zh) | 一种基于眼部超声图像的处理方法 | |
CN110598652B (zh) | 眼底数据预测方法和设备 | |
CN116309235A (zh) | 一种针对糖尿病预测的眼底图像的处理方法和系统 | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN110428431B (zh) | 一种心脏医学图像的分割方法、装置、设备及存储介质 | |
KR102103281B1 (ko) | 뇌혈관 질환의 진단을 위한 ai 기반의 보조 진단 시스템 | |
CN114565623B (zh) | 肺血管分割方法、装置、存储介质及电子设备 | |
CN112120666B (zh) | 晶状体屈光力测算方法、装置、设备及存储介质 | |
CN115222876A (zh) | 模型训练方法、眼球体结构重塑方法和装置及存储介质 | |
CN111374632B (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 |
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 |