CN112053348A - 一种白内障诊断用眼底图像处理系统及方法 - Google Patents
一种白内障诊断用眼底图像处理系统及方法 Download PDFInfo
- Publication number
- CN112053348A CN112053348A CN202010915862.2A CN202010915862A CN112053348A CN 112053348 A CN112053348 A CN 112053348A CN 202010915862 A CN202010915862 A CN 202010915862A CN 112053348 A CN112053348 A CN 112053348A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- unit
- fundus
- information
- 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
Links
- 208000002177 Cataract Diseases 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000003702 image correction Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 22
- 210000001508 eye Anatomy 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 11
- 210000005252 bulbus oculi Anatomy 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 210000004220 fundus oculi Anatomy 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001235 sensitizing effect Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000001356 surgical procedure Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Geometry (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)
Abstract
本发明公开了一种白内障诊断用眼底图像处理系统及方法，所述处理系统包括：图像采集单元、图像筛选单元、图像校正单元、图像裁剪单元、图像分割单元、特征计算单元；所述方法包括：利用图像采集单元拍摄眼底图像；利用图像筛选单元对图像信息特征进行检测，将眼底图像分为失真图像和合格图像；利用图像校正单元对失真图形进行校正处理成为合格图像；利用图像裁剪单元和图像分割单元对合格的眼底图像进行裁剪和分割处理；利用特征计算单元来识别白内障的患病程度；本发明基于对眼底图像进行处理后筛查，能够筛查出白内障患者并确定其实际的患病程度，有利于偏远地区的眼科检查的普及。
Description
技术领域
本发明涉及白内障诊断技术领域，具体涉及一种白内障诊断用眼底图像处理系统及方法。
背景技术
白内障是常见的致盲性眼病。人眼中有一个组织叫做晶状体，正常情况下它是透明的，光线通过它及一些屈光间质到达视网膜，才能清晰地看到外界物体。一旦晶状体由于某些原因发生混浊就会影响视网膜成像，使人看不清东西。也就是说，晶状体混浊导致视力下降就是白内障。
随着人口老龄化的现象，白内障患者逐年递增。相对于偏远的农村地区，由于医疗水平相对薄弱，大部分白内障患者无法得到及时的诊治；极大一部分患者均是已经到达重度白内障而导致视力障碍时才进行就诊，这样就极大的限制了实际的治疗效果。若能够及时的对白内障患者进行筛查，便能够在患者发病前期得到有效地治疗，进而能够有效地控制白内障的发病率。
现有技术中针对白内障的筛查，通常是医护人员进行人工检查来明确检查者是否为白内障患者。但是由于受到地域、时间等因素的影响，根本无法实现对每个地区的白内障患者进行普查。
发明内容
针对上述存在的问题，本发明提供了一种白内障诊断用眼底图像处理系统及方法；本发明能够通过对眼底图像进行处理而实现对白内障患者进行筛查，不受地域限制，且能够有效地解决人工检查的效率低下的问题。
本发明的技术方案为：一种白内障诊断用眼底图像处理系统，包括用于对患者眼部进行图像信息采集的图像采集单元，用于对采集后的图像信息进行筛选并标记出失真图像信息的图像筛选单元，用于对采集后的失真图像信息进行校正的图像校正单元，用于对图像校正单元校正后的眼底图像进行区域裁剪的图像裁剪单元，用于对裁剪残留区域进行进一步去除的图像分割单元，以及用于对最终眼底图像进行特征计算的特征计算单元；
所述图像采集单元包括用于在图像采集时进行光照补偿的光源模块，对患者眼底进行感光的光敏传感器模块，以及对所述光敏传感器模块的信号进行调整、放大、转换的偏置电路模块、放大电路模块、A/D变换模块，以及对变换后的电信号生成图像的复杂可编程逻辑器件模块；
所述图像筛选单元包括用于对图像信息的特征进行检测的检测模块，用于对检测后的未标记图像信息进行存储的合格图像存储模块，用于对检测后标记的失真图像信息进行存储的失真图像存储模块，以及用于将合格图像存储模块信息输出成图像的第一输出模块；
所述图像校正单元包括用于从所述失真图像存储模块中提取目标图像信息的第一提取模块，用于从外部提取参照图像信息的第二提取模块，用于对参照图像信息与目标图像信息进行判别的判别模块，用于对目标图像信息进行校正的校正模块，以及将校正后的图像输出成图像的第二输出模块；
所述图像裁剪单元包括用于从第一输出模块和第二输出模块提取图像的第三提取模块，用于对第三提取模块提取图像进行病灶区域识别的第一识别模块，以及用于对病灶区域进行裁剪的裁剪模块；
所述图像分割单元包括用于对病灶区域进行二次识别的第二识别模块，用于对病灶区域图像进行域值分割或边缘分割的分割模块；
所述特征计算单元包括对分割后的图像进行图像特征信息提取的特征提取模块，以及用于对提取的图像特征信息进行计算的计算模块。
进一步地，所述检测模块用于对像素特征信息和图像结构特征信息进行检测；由于人体眼部结构具备规律性，在实际的白内障诊断时多是对眼球部位进行实际的观察；因此利用像素特征信息和图像结构特征信息便可检测采集到的眼底图像是否失真。
进一步地，所述系统的处理方法，具体包括：利用图像采集单元对待检测者进行眼部照片的拍摄形成眼底图像；利用图像筛选单元对图像信息特征进行检测，将眼底图像分为失真图像和合格图像；利用图像校正单元对失真图形进行校正处理成为合格图像；利用图像裁剪单元和图像分割单元对合格的眼底图像进行裁剪和分割处理，然后利用特征计算单元对眼底图像进行图像特征信息的计算来识别白内障的患病程度。
进一步地，所述图像采集单元基于3～5个拍摄图像形成同一待测者眼部的3～5张眼底图像；利用3～5个拍摄图像能够有效地降低由于在实际的图像采集中因失误造成的误诊率。
进一步地，所述特征提取模块选择YUV颜色模型，眼底图像信号经过分色、分别放大校正得到RGB，然后再经过矩阵变换电路得到亮度信号Y和两个色差信号R－Y、B－Y，最后将亮度和色差三个信号分别进行编码并进行发送；
其中，从RGB到YUV的转换关系如下：
Y＝0.299R+0.587G+0.114B；
U＝-0.147R-0.289G+0.436B；
V＝0.615R-0.515G-0.100B。
进一步地，所述特征计算单元具体的计算方法为：以颜色作为选取特征通过眼底图像中病灶区域面积与眼球面积比值进行实际诊断，即
其中，A为眼球面积，Ad1为第一处病灶区域面积，Ad2为第二处病灶区域面积，...，Adn为第n处病灶区域面积；由于白内障患者的眼部病灶区域与眼球部位有着较为明显的颜色差，利用眼底图像的实际病灶面积与眼球面积的比值作为诊断标准，能够更直观的表现白内障患者的患病信息。
进一步地，所述k≤1％表示无白内障，1％＜k＜10％表示轻度白内障，10％＜k＜20％表示中度白内障，k≥20％表示重度白内障；由于在整个的处理中存在先对的误差，选取1％作为误差值能够有效地避免误诊现象；而无白内障的检测者建议半年后可选择重新随诊观察；轻度白内障的检测者建议3～5个月后随诊观察；中度白内障的检测者建议医院眼科就诊，可选择性的接受手术治疗；重度白内障的检测者建议医院眼科就诊，接受手术治疗。
与现有技术相比，本发明的有益效果为：
1、本发明基于对眼底图像进行处理后筛查，能够筛查出白内障患者并确定其实际的患病程度，有利于偏远地区的眼科检查的普及；
2、本发明具备高实时性，能够快速的对眼底图像进行处理，能够有效地解决人工检查效率低下的问题；
3、本发明成本投入低，能够有效地减少人力投入成本，更适合偏远农村地区的使用。
附图说明
图1是本发明的结构模块图；
具体实施方式
实施例：如图1所示的一种白内障诊断用眼底图像处理系统，包括用于对患者眼部进行图像信息采集的图像采集单元，用于对采集后的图像信息进行筛选并标记出失真图像信息的图像筛选单元，用于对采集后的失真图像信息进行校正的图像校正单元，用于对图像校正单元校正后的眼底图像进行区域裁剪的图像裁剪单元，用于对裁剪残留区域进行进一步去除的图像分割单元，以及用于对最终眼底图像进行特征计算的特征计算单元；
图像采集单元包括用于在图像采集时进行光照补偿的光源模块，对患者眼底进行感光的光敏传感器模块，以及对光敏传感器模块的信号进行调整、放大、转换的偏置电路模块、放大电路模块、A/D变换模块，以及对变换后的电信号生成图像的复杂可编程逻辑器件模块；
图像筛选单元包括用于对图像信息的特征进行检测的检测模块，用于对检测后的未标记图像信息进行存储的合格图像存储模块，用于对检测后标记的失真图像信息进行存储的失真图像存储模块，以及用于将合格图像存储模块信息输出成图像的第一输出模块；
图像校正单元包括用于从失真图像存储模块中提取目标图像信息的第一提取模块，用于从外部提取参照图像信息的第二提取模块，用于对参照图像信息与目标图像信息进行判别的判别模块，用于对目标图像信息进行校正的校正模块，以及将校正后的图像输出成图像的第二输出模块；
图像裁剪单元包括用于从第一输出模块和第二输出模块提取图像的第三提取模块，用于对第三提取模块提取图像进行病灶区域识别的第一识别模块，以及用于对病灶区域进行裁剪的裁剪模块；
图像分割单元包括用于对病灶区域进行二次识别的第二识别模块，用于对病灶区域图像进行域值分割或边缘分割的分割模块；
特征计算单元包括对分割后的图像进行图像特征信息提取的特征提取模块，以及用于对提取的图像特征信息进行计算的计算模块。
其中，检测模块用于对像素特征信息和图像结构特征信息进行检测。
本实施例系统的处理方法，具体包括：利用图像采集单元对待检测者进行眼部照片的拍摄形成眼底图像，其中，图像采集单元基于3个拍摄图像形成同一待测者眼部的3张眼底图像；利用图像筛选单元对图像信息特征进行检测，将眼底图像分为失真图像和合格图像；利用图像校正单元对失真图形进行校正处理成为合格图像；利用图像裁剪单元和图像分割单元对合格的眼底图像进行裁剪和分割处理，然后利用特征计算单元对眼底图像进行图像特征信息的计算来识别白内障的患病程度；
其中，特征提取模块选择YUV颜色模型，眼底图像信号经过分色、分别放大校正得到RGB，然后再经过矩阵变换电路得到亮度信号Y和两个色差信号R－Y、B－Y，最后将亮度和色差三个信号分别进行编码并进行发送；
其中，从RGB到YUV的转换关系如下：
Y＝0.299R+0.587G+0.114B；
U＝-0.147R-0.289G+0.436B；
V＝0.615R-0.515G-0.100B。
特征计算单元具体的计算方法为：以颜色作为选取特征通过眼底图像中病灶区域面积与眼球面积比值进行实际诊断，即
其中，A为眼球面积，Ad1为第一处病灶区域面积，Ad2为第二处病灶区域面积，...，Adn为第n处病灶区域面积。
k≤1％表示无白内障，1％＜k＜10％表示轻度白内障，10％＜k＜20％表示中度白内障，k≥20％表示重度白内障；由于在整个的处理中存在先对的误差，选取1％作为误差值能够有效地避免误诊现象；而无白内障的检测者建议半年后可选择重新随诊观察；轻度白内障的检测者建议3～5个月后随诊观察；中度白内障的检测者建议医院眼科就诊，可选择性的接受手术治疗；重度白内障的检测者建议医院眼科就诊，接受手术治疗。
实验例：在某市眼科医院选取确诊的不同患病程度的白内障患者以及无白内障症状的其他眼科疾病患者利用本实施例眼底图像处理系统进行模拟处理实验，具体处理结果如下表：
在实际的处理中，误差人数具体为：将2名无白内障患者判别为轻度患者，将1名轻度白内障患者判别为中度患者。
结论：由上表可以看出实际的误差人数总量为6人，占比总人数5％，因此本次实验的实际准确率为95％。
Claims (7)
1.一种白内障诊断用眼底图像处理系统，其特征在于，包括：用于对患者眼部进行图像信息采集的图像采集单元，用于对采集后的图像信息进行筛选并标记出失真图像信息的图像筛选单元，用于对采集后的失真图像信息进行校正的图像校正单元，用于对图像校正单元校正后的眼底图像进行区域裁剪的图像裁剪单元，用于对裁剪残留区域进行进一步去除的图像分割单元，以及用于对最终眼底图像进行特征计算的特征计算单元；
所述图像采集单元包括用于在图像采集时进行光照补偿的光源模块，对患者眼底进行感光的光敏传感器模块，以及对所述光敏传感器模块的信号进行调整、放大、转换的偏置电路模块、放大电路模块、A/D变换模块，以及对变换后的电信号生成图像的复杂可编程逻辑器件模块；
所述图像筛选单元包括用于对图像信息的特征进行检测的检测模块，用于对检测后的未标记图像信息进行存储的合格图像存储模块，用于对检测后标记的失真图像信息进行存储的失真图像存储模块，以及用于将合格图像存储模块信息输出成图像的第一输出模块；
所述图像校正单元包括用于从所述失真图像存储模块中提取目标图像信息的第一提取模块，用于从外部提取参照图像信息的第二提取模块，用于对参照图像信息与目标图像信息进行判别的判别模块，用于对目标图像信息进行校正的校正模块，以及将校正后的图像输出成图像的第二输出模块；
所述图像裁剪单元包括用于从第一输出模块和第二输出模块提取图像的第三提取模块，用于对第三提取模块提取图像进行病灶区域识别的第一识别模块，以及用于对病灶区域进行裁剪的裁剪模块；
所述图像分割单元包括用于对病灶区域进行二次识别的第二识别模块，用于对病灶区域图像进行域值分割或边缘分割的分割模块；
所述特征计算单元包括对分割后的图像进行图像特征信息提取的特征提取模块，以及用于对提取的图像特征信息进行计算的计算模块。
2.根据权利要求1所述的一种白内障诊断用眼底图像处理系统，其特征在于，所述检测模块用于对像素特征信息和图像结构特征信息进行检测。
3.根据权利要求1～2任意一项所述系统的处理方法，其特征在于，具体包括：利用图像采集单元对待检测者进行眼部照片的拍摄形成眼底图像；利用图像筛选单元对图像信息特征进行检测，将眼底图像分为失真图像和合格图像；利用图像校正单元对失真图形进行校正处理成为合格图像；利用图像裁剪单元和图像分割单元对合格的眼底图像进行裁剪和分割处理，然后利用特征计算单元对眼底图像进行图像特征信息的计算来识别白内障的患病程度。
4.根据权利要求3所述系统的处理方法，其特征在于，所述图像采集单元基于3～5个拍摄图像形成同一待测者眼部的3～5张眼底图像。
5.根据权利要求3所述系统的处理方法，其特征在于，所述特征计算单元具体的计算方法为：以颜色作为选取特征通过眼底图像中病灶区域面积与眼球面积比值进行实际诊断，即
其中，A为眼球面积，Ad1为第一处病灶区域面积，Ad2为第二处病灶区域面积，...，Adn为第n处病灶区域面积。
6.根据权利要求5所述系统的处理方法，其特征在于，所述k≤1％表示无白内障，1％＜k＜10％表示轻度白内障，10％＜k＜20％表示中度白内障，k≥20％表示重度白内障。
7.根据权利要求5所述系统的处理方法，其特征在于，Ad1+Ad2+...+Adn为病灶区域总面积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915862.2A CN112053348A (zh) | 2020-09-03 | 2020-09-03 | 一种白内障诊断用眼底图像处理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010915862.2A CN112053348A (zh) | 2020-09-03 | 2020-09-03 | 一种白内障诊断用眼底图像处理系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112053348A true CN112053348A (zh) | 2020-12-08 |
Family
ID=73607745
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010915862.2A Pending CN112053348A (zh) | 2020-09-03 | 2020-09-03 | 一种白内障诊断用眼底图像处理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053348A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003281562A (ja) * | 2002-03-25 | 2003-10-03 | Fuji Photo Film Co Ltd | 画像表示方法およびこれを行う画像処理装置 |
| CN101510956A (zh) * | 2008-02-15 | 2009-08-19 | 索尼株式会社 | 图像处理设备、照相机设备、图像处理方法和程序 |
| CN202342070U (zh) * | 2011-10-13 | 2012-07-25 | 无锡大麦创意设计有限公司 | 嵌入式三维b超系统 |
| CN107451998A (zh) * | 2017-08-08 | 2017-12-08 | 北京大恒普信医疗技术有限公司 | 一种眼底图像质量控制方法 |
| CN108364265A (zh) * | 2018-02-09 | 2018-08-03 | 京东方科技集团股份有限公司 | 一种影像校正方法及装置 |
| CN110175983A (zh) * | 2019-04-17 | 2019-08-27 | 平安科技（深圳）有限公司 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
| CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
| CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技（深圳）有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
| CN111481166A (zh) * | 2017-05-04 | 2020-08-04 | 深圳硅基智能科技有限公司 | 基于眼底筛查的自动识别系统 |
-
2020
- 2020-09-03 CN CN202010915862.2A patent/CN112053348A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003281562A (ja) * | 2002-03-25 | 2003-10-03 | Fuji Photo Film Co Ltd | 画像表示方法およびこれを行う画像処理装置 |
| CN101510956A (zh) * | 2008-02-15 | 2009-08-19 | 索尼株式会社 | 图像处理设备、照相机设备、图像处理方法和程序 |
| CN202342070U (zh) * | 2011-10-13 | 2012-07-25 | 无锡大麦创意设计有限公司 | 嵌入式三维b超系统 |
| CN111481166A (zh) * | 2017-05-04 | 2020-08-04 | 深圳硅基智能科技有限公司 | 基于眼底筛查的自动识别系统 |
| CN107451998A (zh) * | 2017-08-08 | 2017-12-08 | 北京大恒普信医疗技术有限公司 | 一种眼底图像质量控制方法 |
| CN108364265A (zh) * | 2018-02-09 | 2018-08-03 | 京东方科技集团股份有限公司 | 一种影像校正方法及装置 |
| CN110175983A (zh) * | 2019-04-17 | 2019-08-27 | 平安科技（深圳）有限公司 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
| CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技（深圳）有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
| CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111481166B (zh) | 基于眼底筛查的自动识别系统 | |
| CN108771530B (zh) | 基于深度神经网络的眼底病变筛查系统 | |
| US20230022921A1 (en) | System and method for analyzing corneal lesion using anterior ocular segment image, and computer-readable recording medium | |
| Adalarasan et al. | Automatic detection of blood vessels in digital retinal images using soft computing technique | |
| CN110916608A (zh) | 一种屈光度检测装置 | |
| Hatanaka et al. | CAD scheme to detect hemorrhages and exudates in ocular fundus images | |
| Naveen et al. | Diabetic retinopathy detection using image processing | |
| CN112053780A (zh) | 一种基于眼底图片的人工智能白内障筛查转诊系统 | |
| CN112053348A (zh) | 一种白内障诊断用眼底图像处理系统及方法 | |
| CN113744254B (zh) | 一种眼底图像分析方法、系统、存储介质和计算机设备 | |
| Simon | Retinal image enhancement and eye disease identification | |
| CN108230287B (zh) | 一种眼前节图像的晶体区域的检测方法及装置 | |
| CN114983334A (zh) | 一种基于机器视觉的裂隙灯自调节控制方法和裂隙灯 | |
| Aouf et al. | Glaucoma detection from fundus camera image | |
| US11792376B2 (en) | Warm white light illumination and digital image processing of digital images during microsurgery | |
| Loquin et al. | Automatic photoreceptor detection in in-vivo adaptive optics retinal images: statistical validation | |
| Deshmukh | Analysis of Diabetic Retinopathy by Automatic Detection of Exudates | |
| JP7334922B1 (ja) | 画像処理装置、画像処理方法及びプログラム | |
| CN214484464U (zh) | 基于移动终端的白内障和后发性白内障的分析系统和装置 | |
| Diwakaran et al. | Detection of Diabetic Retinopathy Disease Using Efficient Method of Image Processing | |
| Incedere et al. | Detection of Exudates from Digital Fundus Images of Diabetic Retinopathy Patients | |
| Sundaram et al. | A novel hybrid segmentation approach for optic papilla detection in high resolution fundus images of retina | |
| David et al. | Estimation of field of view on human fundus image | |
| CN115760806A (zh) | 一种裂隙灯图像质量检测方法 | |
| Wang et al. | An AdaBoostSVM-Based Method for Grading Diabetic Retinopathy Stages |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |