CN112381767B - 角膜反射图像的筛选方法、装置、智能终端及存储介质 - Google Patents

角膜反射图像的筛选方法、装置、智能终端及存储介质 Download PDF

Info

Publication number
CN112381767B
CN112381767B CN202011161342.3A CN202011161342A CN112381767B CN 112381767 B CN112381767 B CN 112381767B CN 202011161342 A CN202011161342 A CN 202011161342A CN 112381767 B CN112381767 B CN 112381767B
Authority
CN
China
Prior art keywords
cornea reflection
test sample
cornea
screening
reflection image
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
Application number
CN202011161342.3A
Other languages
English (en)
Other versions
CN112381767A (zh
Inventor
周永进
张家宁
戴后蛟
费驷昭晨
源国健
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202011161342.3A priority Critical patent/CN112381767B/zh
Publication of CN112381767A publication Critical patent/CN112381767A/zh
Application granted granted Critical
Publication of CN112381767B publication Critical patent/CN112381767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30168—Image quality inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了角膜反射图像的筛选方法、装置、终端及存储介质，方法包括：获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本；将测试样本输入至已训练完成的网络模型中进行分割处理，并基于分割处理对测试样本进行初步筛选；基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于清晰度指标参数对所述角膜反射图像进行第三次筛选。本发明基于深度训练所构件的网络来对角膜反射图像进行初步筛选，然后基于强边缘检测来进一步筛选，从而到达不需要人为参与就可以完成角膜反射图像的筛选与评估，提高评估的准确度。

Description

角膜反射图像的筛选方法、装置、智能终端及存储介质
技术领域
本发明涉及角膜图像处理技术领域，尤其涉及的是一种角膜反射图像的筛选方法、装置、终端及存储介质。
背景技术
角膜的屈光力占人眼总屈光力的70％左右，故角膜形态的变化直接影响整个人眼屈光力的变化。有感角膜的手术通过改变角膜的表面形态，从而改变角膜屈光力。近百年来，科学研究人员在此领域不断努力，从早期利用角膜反光的影像估计到如今利用计算机技术的角膜地形图，期间经历了漫长的发展过程。目前国内大多数眼科医院都已引进了角膜地形图仪，并在眼科常规检查、指导屈光手术及指导接触镜的验配等方面发挥了重要作用。
传统角膜地形图仪的图像处理主要包括三部分，分别为角膜反射图像采集及运动控制、角膜反射图像分析与处理、角膜地形图的绘制。角膜地形图的绘制依赖于角膜反射图像的分析与处理，而角膜反射图像的分析与处理的关键点之一是采集到高质量的角膜反射图像。现有技术中在角膜反射图像的采集过程中会不可避免地出现人眼抖动，眨眼等状况，导致成像质量不佳。此时，就需要结合图像处理技术来判断所采集到的角膜反射图像是否是满足要求。目前的角膜地形图仪(如MedmontE300)判断角膜反射图像质量的方法为：首先固定采集设备焦距，并在成像界面显示焦距位置(最好质量图像一般在焦距位置)，然后由此可以告诉测试者具体移动方向及距离，使测试者的眼球中心刚好处于焦距位置，最后采集到目标图像。可见，现有的角膜反射图像的质量评价或用于诊断的图像选择方法需要人为参与，故存在主观误差，影响图像质量的评估结果。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种角膜反射图像的筛选方法、装置、终端及存储介质，旨在解决现有技术中的角膜反射图像的质量评价或的用于诊断的图像选择方法需要人为参与，故存在主观误差，影响图像质量的评估结果。
本发明解决技术问题所采用的技术方案如下：
第一方面，本发明实施例提供了角膜反射图像的筛选方法，其中，所述方法包括：
获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。
在一种实现方式中，所述获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，包括：
基于角膜地形图仪获取采样者的角膜视频数据，并将所述角膜视频数据转换成角膜反射图像；
按照预设条件对所述角膜反射图像进行选取；
利用预设的应用程序对选取出的所述角膜反射图像的中心几何区域进行标注；
将已标注的所述角膜反射图像构建成所述测试样本。
在一种实现方式中，所述预设条件包括：所述角膜反射图像中的角膜区域占整幅图像面积满足预设值，且所述角膜反射图像的中心几何区域完整，且眼睫毛遮挡区域不影响所述角膜反射图像的中心几何区域。
在一种实现方式中，所述将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选，包括：
将所述测试样本输入至已训练完成的网络模型中；
所述网络模型对所述测试样本中的角膜反射图像分割出角膜轮廓图，并计算角膜轮廓图的相似性系数；
将所述相似性系数标注在角膜轮廓图中，得到所述分割结果；
基于所述分割结果对所述测试样本中的所述角膜反射图像进行初步筛选；所述初步筛选包括：筛选出分割出的所述角膜轮廓图中角膜反射几何区域的中心距离所述角膜反射图像中心点一定阈值范围内的图像。
在一种实现方式中，所述网络模型的构建方式包括：
预先获取预设数量的角膜反射图像，并在对所述角膜反射图像进行预处理后，将所述角膜反射图像分成训练数据集与测试数据集；
将所述训练数据集输入至卷积神经网络模型中进行训练，得到一网络模型，所述网络模型用于对角膜反射图像进行分割；
将所述测试数据集输入至所述网络模型中进行测试，测试完成后得到训练完成的所述网络模型。
在一种实现方式中，所述基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，包括：
获取所述初步筛选后的所述测试样本中的整体圆环区域，并进行图像增强处理，得到增强处理后的测试样本；
采用同态滤波，获取增强处理后的测试样本中的圆环部分，并对同态滤波后的所述测试样本进行连通域分析，确定出所述测试样本中的中心圆环；
对确定出的所述中心圆环进行椭圆拟合，将所述椭圆的圆心作为所述中心圆环的中心，并筛除圆环不对称的图像及中心圆环的中心与仪器光轴点不对齐的图像，以完成所述测试样本的第二次筛选。
在一种实现方式中，所述对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，包括：
对第二次筛选后的所述测试样本中的角膜反射图像计算水平梯度以及竖直梯度，确定所述角膜反射图像中角膜反射几何区域的位置；
计算角膜反射几何区域的强边缘宽度，并建立强边缘宽度直方图；
对不同宽度的强边缘进行计算，得到强边缘对应的概率，并计算清晰度指标参数。
一种角膜反射图像的质量评估装置，其中，所述装置包括：
图像获取单元，用于获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
初步筛选单元，用于将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
二次筛选单元，用于基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
三次筛选单元，用于对初步筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。
第三方面，本发明实施例提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行上述任意一项所述的角膜反射图像的筛选方法的步骤。
第四方面，本发明实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任意一项所述的角膜反射图像的筛选方法的步骤。
本发明的有益效果：本发明基于深度训练所构件的网络来对角膜反射图像进行初步筛选，然后基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，最后基于强边缘检测来进一步筛选，从而到达不需要人为参与就可以完成角膜反射图像的筛选与评估，提高评估的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明中记载的一些实施例，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是本发明实施例提供的角膜反射图像的筛选方法的流程图。
图2是本发明实施例提供的角膜反射图像的筛选方法中的卷积神经网络模型示意图。
图3是本发明实施例提供的角膜反射图像的筛选方法中的分割示意图。
图4是本发明实施例提供的角膜图像的筛选方法中进行图像增强示意图。
图5是本发明实施例提供的角膜图像的筛选方法中进行同态滤波示意图。
图6是本发明实施例提供的角膜图像的筛选方法中连通域分析示意图。
图7是本发明实施例提供的角膜图像的筛选方法中进行椭圆拟合示意图。
图8是本发明实施例提供的角膜图像的筛选方法中筛除不对称圆环的示意图。
图9是本发明实施例提供的角膜反射图像的筛选方法中强边缘宽度直方图。
图10是本发明实施例提供的角膜反射图像的质量评估的原理框图。
图11是本发明实施例提供的智能终端的功能原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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做出创造性劳动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。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征，不用于选定顺序。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本实用新型要求的保护范围之内。
由于现有技术中的角膜反射图像的质量评价或的用于诊断的图像选择方法需要人为参与，故存在主观误差，影响图像质量的评估结果。虽然在图像质量评估(ImageQuality Assessment，IQA)领域，有许多研究基于机器学习(Machine Learning)建立了评估模型，并获得了良好的表现。该评估模型都是从图像中提取特征，并学习从图像特征到感知质量分数的特定映射函数。这些评估模型可以有效地处理常见的压缩伪影、高斯模糊和白噪声等失真类型。但他们不适用于其它更多类型的失真，这是由于使用传统机器学习方法的研究利用的是单层非线性特征变化的浅层结构。因此为了解决现有技术的缺陷，本实施例提供一种角膜反射图像的筛选方法，具体如图1中所示，所述方法包括如下步骤：
步骤S100、获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
步骤S200、将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
步骤S300、基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
步骤S400、对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。
具体实施时，本实施例利用角膜地形图仪获取采样者的角膜视频数据，并将所述角膜视频数据转换成角膜反射图像，以便后续的神经网络输入。在采集时，本实施例采集到16位采样者，共32个角膜反射图像(区分左右眼)。然后按照预设条件对所述角膜反射图像进行选取；并利用预设的应用程序对选取出的所述角膜反射图像的中心几何区域进行标注；最后将已标注的所述角膜反射图像构建成测试样本。
优选地，本实施例中在对所述角膜反射图像进行选取时，所述预设条件为：所述角膜反射图像中的角膜区域占整幅图像面积满足预设值，且所述角膜反射图像的中心几何区域完整，且眼睫毛遮挡区域不影响所述角膜反射图像的中心几何区域。也就是说，在选取角膜反射图像时，是选取出所述角膜反射图像中的角膜区域占整幅图像面积尽量大，且所述角膜反射图像的中心几何区域尽量完整，且眼睫毛遮挡区域不影响所述角膜反射图像的中心几何区域的图像。
当选取出符合所述预设条件的角膜反射图像之后，对选取的图像进行标注。本实施例中的标注过程是利用应用程序来实现的，如利用labelme软件。具体实施时，首先确保电脑终端中安装好Anaconda(Anaconda指的是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项)，以提供labelme所需的安装环境。安装好后在程序里选择Anaconda Prompt(相当于windows下的cmd，即命令提示符，只不过运行目录直接在Anaconda下)。然后在Anaconda Prompt里依次输入如下指令：conda create、activatelabelme、conda install pyqt、pip install labelme。下次启动时先启动labelme的conda(Conda是一个开源的软件包管理系统和环境管理系统，用于安装多个版本的软件包及其依赖关系，并在它们之间轻松切换)环境，即按照以下步骤启动activate labelme。启动labelme后，在终端执行以下指令：labelme，然后通过在电脑终端上执行对应的命里，选择标注文件所在的文件夹，并对存储在该文件夹中的角膜反射图像中的中心几何区域进行标注。每张角膜反射图像标注完成后，会生成一个json(一种轻量级的数据交换格式)文件。进入json文件所在的目录，在电脑终端执行以下命令：labelme_json_to_dataset<文件名>.json，可得到一个文件夹，里边有五个文件，分别是*.png，info.yaml，label.png，label_names.txt，label_viz.png。其中label.png即是已标注的所述角膜反射图像，然后将这些已标注的角膜反射图像构建成测试样本。具体地，本实施例共标注了412张角膜反射图像，即测试样本中具有412张角膜反射图像。
进一步地，在构件所述测试样本后，将所述测试样本输入至已训练完成的网络模型中；然后利用所述网络模型对所述测试样本中的角膜反射图像分割出角膜轮廓图，并计算角膜轮廓图的相似性系数。将所述相似性系数标注在角膜轮廓图中，得到所述分割结果；基于所述分割结果对所述测试样本中的所述角膜反射图像进行初步筛选。
优选地，在本实施例中，所述网络模型是基于图2中的卷积神经网络并对其网络进行了修改和扩展，以使用较少的训练图像，产生精确的分割结果。如图2中所示，图2为本实施例在训练所述网络模型所用到的卷积神经网络结构图。编码器(encoder)下采样4次，因每下采样一次即将图像缩小为原来的二分之一，因此共下采样16倍。对称地，其译码器(decoder)也相应上采样4次，通过编码器对输入图像进行特征提取，得到高级语义特征图(即通过深层的卷积网络层提取到的)，译码器上采样与编码器下采样都是对全图的像素进行卷积和池化操作，每次上采样是将输入图像的尺寸扩大为原来的两倍(与下采样刚好相反)。所以，下采样和上采样的采集位置都是整幅图像所有的区域，以恢复到原图片的分辨率。
卷积神经网络能够结合底层和高层的信息，底层信息即经过4次下采样后的低分辨率信息，能够提供分割目标在整个角膜反射图像中上下文语义信息，可理解为反应目标和它的环境之间关系特征，关系特征有助于物体的类别判断。高层信息即经过concatenate操作(即深度学习中的拼接操作，如a和b两个分别为编码器和译码器的特征，我们通过concatenate操作可以将两组特征组合在一起，作为下一层网络的输入特征)后从编码器直接传递到同高度译码器上的高分辨率信息。能够为分割提供更加精细的特征，如梯度(图像中不同部分之间过度的灰度值变化程度)等。相较于全卷积神经网络，本实施例中的卷积神经网络共进行了4次上采样，并在同一个stage(高度)使用了skip connection(将同一个stage的下采样卷积部分的输出和上采样卷积部分的输入连接起来)，而不是直接在高级语义特征上进行监督和loss反传，这样就保证了最后恢复出来的特征图融合了更多的low-level的特征，也是的不同尺度的特征得到了融合，从而可以进行多尺度预测。
本实施例在训练所述网络模型时，预先获取预设数量的角膜反射图像，并在对所述角膜反射图像进行预处理后，将所述角膜反射图像分成训练数据集与测试数据集。具体将标注的412张角膜反射图像随机分为两组，一组296张用于训练，即构成训练数据集，另一组116张用于测试，即构成测试数据集。然后将所述训练数据集输入至卷积神经网络模型中进行训练，得到一网络模型，所述网络模型用于对角膜反射图像进行分割。
具体地，本实施例中，经过图像预处理过后的图像数据维度为720×576×3，本实施例将.png格式的图像数据转换为.bmp格式，并缩放至512×512，输入卷积神经网络中。每次输入一个训练样本到卷积神经网络中。为了训练模型，本实施例使用Adam算法作为优化器，对梯度的一阶矩估计(First Moment Estimation，即梯度的均值)和二阶矩估计(Second Moment Estimation，即梯度的未中心化的方差)进行综合考虑，并计算出更新步长(即每次更新的幅度大小)。本实施例中在训练网络模型时，使用分类交叉熵函数作为损失函数，训练最大迭代次数为5000，学习率为1×10-5，并初始化每个卷积层的权重，使得每个滤波器的初始化数值相互独立，并且服从相同的零均值高斯分布。在神经元节点(神经元节点指的是卷积神经网络中每一层的网络的输出节点，输出节点都会有一个激活函数)处使用线性单元(ELU，the exponential linear unit)，由于使用线性单元作为激活函数，激活函数的存在可以增加深度学习网络的非线性能力，从而拟合更多的非线性过程。ELU的导数不为0，从而在梯度反向传播时可以防止梯度的消失避免可能出现的消失梯度问题。因此通过上述过程，训练得到所述网络模型，所述网络模型用于对角膜反射图像进行分割。当训练完成后，将所述测试数据集输入至所述网络模型中进行测试，测试完成后得到训练完成的所述网络模型，测试的目的是为了使得所述网络模型稳定。
进一步地，本实施例在利用已经训练好的网络模型对测试样本进行测试时，通过对分割出的角膜轮廓图计算Dice相似性系数(Dice similarity coefficients，DSC)。DSC表示两个角膜轮廓图的相似程度，其值越大意味着分割效果越好。表达式如下：
DSC＝正确率*召回率*2/(正确率+召回率)
正确率(Precision)＝TP/(TP+FP)
召回率(Recall)＝TP/(TP+FN)
其中，TP为True Positive，网络模型的输出结果为正样本，真实标签是正样本的样本总数；
FP为False Positive，网络模型的输出结果为正样本，真实标签是负样本的样本总数；
FN为False Negative，网络模型的输出结果为负样本，真实标签是正样本的样本总数。
对于每个测试样本，在利用网络模型进行分割过后，计算DSC值。最后将DSC值标注在角膜轮廓图中，得到所述分割结果，如图3中所示，图3中可看出左右两眼的分割出的角膜轮廓图中以及所标注的DSC值。基于如上的分割结果，本实施例对输入的测试样本进行初步筛选，标准如下：选择分割的角膜反射几何区域的中心(图中Center)距离整张图像中心点一定阈值范围内的图像，即横坐标不超过整张图像中心点的50个体素范围且纵坐标不超过整张图像中心点的10个体素范围。
进一步地，本实施例在进行初步筛选后，还需对经过所述初步筛选后的测试样本进行第二次筛选。具体地，本实施例获取所述初步筛选后的所述测试样本中的整体圆环区域，并进行图像增强处理，得到增强处理后的测试样本。如图4中的A所示，由于部分人眼的角膜图像的对比度较低，本实施例先求得整体圆环区域，如图4中的B所示，再进行图像增强处理，本实施例是通过直方图均衡化完成提高图像整体对比度。所述直方图均衡化的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。其对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。如图4中的C所示，经过直方图均衡化后的图像对比度有了明显的提高。
然后，本实施例采用同态滤波，获取增强处理后的测试样本中的圆环部分，并对同态滤波后的所述测试样本进行连通域分析，确定出所述测试样本中的中心圆环。具体地，同态滤波是一种减少低频增加高频，从而减少光照变化并锐化边缘或细节的图像滤波方法。角膜反射图像的圆环部分属于变化较快的高频成分，故本实施例采用同态滤波的方法初步提取角膜反射图像的圆环部分。对于一副图像F(x,y)，可表示为照射分量i(x,y)和反射分量r(x,y)的乘积。
F(x,y)＝i(x,y)r(x,y)
其中0<i(x,y)<∞,0<r(x,y)<1。i(x,y)描述景物的照明，变化缓慢，处于低频成分。r(x,y)描述景物的细节，变化较快，处于高频成分。
对F(x,y)取对数，分离i(x,y)和r(x,y)。
z(x,y)＝ln F(x,y)＝lni(x,y)+ln r(x,y)
对z(x,y)取傅里叶变换，得到
Z(u,v)＝I(u,v)+R(u,v)
然后使用一个滤波器，对Z(u,v)进行滤波，即
S(u,v)＝H(u,v)Z(u,v)＝H(u,v)I(u,v)+H(u,v)R(u,v)
滤波后，进行傅里叶反变换，即
s(x,y)＝F-1(S(u,v))＝F-1(H(u,v)I(u,v))+F-1(H(u,v)R(u,v))
最后，取反对数(取指数)，得到最后处理后的图像，即
如图5中的A为输入的图像，图5中的B为同态滤波后的结果图。
本实施例通过Matlab自带的工具包，对同态滤波后的测试样本(即角膜图像)进行连通域分析，首先，本实施例判断是否存在我们找到最中心圆环所在的连通域。如图6中的A所示，部分角膜反射图像的同态滤波结果图存在最中心圆环断裂的情况，本实施例人为去掉这些质量不好的角膜反射图像。留下有完整最中心圆环的图像，如图6中的B所示。
接着，对确定出的所述中心圆环进行椭圆拟合，将所述椭圆的圆心作为所述中心圆环的中心，如图7中所示，图7中即为椭圆拟合结果图，中心的白点即为圆环的中心位置。最后，再找到所有圆环的中心后，可能会存在圆环不对称的情况。本实施例对圆环中心两侧的环宽度进行计算，若左右环宽度的差异较大(如图8中的A所示，A为圆环不对称示意图，图中圆环间隔a明显小于间隔b)，则舍弃这些圆环不对称的图像，保留圆环对称的图像。此外，本实施例还滤除中心圆环的中心与仪器光轴点不对齐的图像，以完成所述测试样本的第二次筛选。如图8中的B所示，B为圆环对称示意图，图中圆环间隔a等于间隔b。
进一步地，采用基于图像强边缘检测的方法对第二次筛选后的角膜反射图像进一步评估并筛选。首先对第二次筛选后的所述测试样本中的角膜反射图像计算水平梯度以及竖直梯度，确定所述角膜反射图像中角膜反射几何区域的位置；然后计算角膜反射几何区域的强边缘宽度，并建立强边缘宽度直方图；再对不同宽度的强边缘进行计算，得到强边缘对应的概率，并计算清晰度指标参数。具体包括如下步骤：
1)强边缘检测
对于角膜反射图像I，利用Sobel算子求其水平梯度Gx和竖直梯度图Gy，公式如下：
其中，Sx和Sy分别为水平梯度Sobel算子和竖直梯度Sobel算子。
根据如下公式，对梯度图上各点进行平方处理，并通过设定阈值，分别得到水平梯度和竖直梯度二值化图像Bx和By。Bx和By分别包含竖直方向强边缘和水平方向强边缘，具体如下：
其中，阈值ξx和ξy分别如下所示：
其中，M为角膜反射图像横坐标数据，N为角膜反射图像纵坐标数据，即可得到角膜反射图像中角膜反射几何区域的位置。
2)强边缘宽度计算
通过上述强边缘检测，可以得到角膜反射图像中角膜反射几何区域的位置。接下来可以从角膜反射图像中进行边缘宽度的计算。对于竖直方向强边缘上的某一点，在原图找到该点水平方向上最接近该点的左右灰度极值点(即在图像的灰度值中的局部最大值和最小值)。当该点左端灰度值大于右端时，选取的两极值点为左极大值与右极小值点；当该点左端灰度值小于右端时，选取的两极值点为右极大值与左极小值点。这两个极值点被认为是该边缘的起始点和结束点。故两极值点的位置差就是该点对应的强边缘宽度。同理可得水平方向强边缘的宽度。
3)建立强边缘宽度直方图
上述步骤中求得不同的强边缘宽度值，利用如下公式对不同宽度的强边缘进行计算，得到强边缘对应的概率：
其中，ni为宽度为wi的强边缘数目，n为总的强边缘数目。
得到不同宽度强边缘的概率后，可以建立其直方图，如图9所示，图9中横坐标表示强边缘宽度w(单位：像素)，纵坐标为宽度w的概率p(w)。然后进入距离因子，如下公式所示，该距离因子可有效地加大峰值部分所对应的宽度对清晰度的贡献，同时减少直方图两端的宽度对清晰度的影响。
其中，wm为概率最大的边缘宽度(即出现次数最多的边缘宽度)，we为最大的边缘宽度，wi为各边缘宽度，d(wi)为距离因子。
4)计算指标参数
得到距离因子后，引入如下公式，作为清晰度指标参数，即：
经过强边缘检测后，每张角膜反射图像会得到一个清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。优选地，第三次筛选时，本实施例选择最小的清晰度指标参数对应的角膜反射图像作为最终获得的高质量图像，从而从而到达不需要人为参与就可以完成角膜反射图像的筛选与评估，提高评估的准确度。
基于上述实施例，本发明还提供一种角膜反射图像的质量评估装置，如图10中所示，所述装置包括：
图像获取单元10，用于获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
初步筛选单元20，用于将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
二次筛选单元30，用于基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
三次筛选单元40，用于对初步筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图11所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种角膜反射图像的筛选方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图11中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。此外，本实施例的方法流程不受执行顺序的限制。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种角膜反射图像的筛选方法、装置、终端及存储介质，所述方法包括：获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；将测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于分割处理对测试样本进行初步筛选；基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于清晰度指标参数对所述角膜反射图像进行第三次筛选。本发明基于深度训练所构件的网络来对角膜反射图像进行初步筛选，然后基于强边缘检测来进一步筛选，从而到达不需要人为参与就可以完成角膜反射图像的筛选与评估，提高评估的准确度。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种角膜反射图像的筛选方法，其特征在于，所述方法包括：
获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选；
所述强边缘检测包括：
利用以下公式对不同宽度的强边缘进行计算，得到强边缘对应的概率，
其中，ni为宽度为wi的强边缘数目，n为总的强边缘数目；
在得到不同宽度强边缘的概率后，建立直方图，直方图的横坐标表示强边缘宽度w，直方图的纵坐标为宽度w的概率p(w)；
然后进入距离因子，所述距离因子用于加大直方图峰值部分所对应的宽度对清晰度的贡献，同时减少直方图两端的宽度对清晰度的影响；所述距离因子表示为：
其中，wm为概率最大的边缘宽度，we为最大的边缘宽度，wi为各边缘宽度，d(wi)为距离因子；
得到距离因子后，引入以下公式作为清晰度指标参数，
其中，wo为最小的边缘宽度。
2.根据权利要求1所述的角膜反射图像的筛选方法，其特征在于，所述获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，包括：
基于角膜地形图仪获取采样者的角膜视频数据，并将所述角膜视频数据转换成角膜反射图像；
按照预设条件对所述角膜反射图像进行选取；
利用预设的应用程序对选取出的所述角膜反射图像的中心几何区域进行标注；
将已标注的所述角膜反射图像构建成所述测试样本。
3.根据权利要求2所述的角膜反射图像的筛选方法，其特征在于，所述预设条件包括：所述角膜反射图像中的角膜区域占整幅图像面积满足预设值，且所述角膜反射图像的中心几何区域完整，且眼睫毛遮挡区域不影响所述角膜反射图像的中心几何区域。
4.根据权利要求1所述的角膜反射图像的筛选方法，其特征在于，所述将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选，包括：
将所述测试样本输入至已训练完成的网络模型中；
所述网络模型对所述测试样本中的角膜反射图像分割出角膜轮廓图，并计算角膜轮廓图的相似性系数；
将所述相似性系数标注在角膜轮廓图中，得到所述分割结果；
基于所述分割结果对所述测试样本中的所述角膜反射图像进行初步筛选；所述初步筛选包括：筛选出分割出的所述角膜轮廓图中角膜反射几何区域的中心距离所述角膜反射图像中心点一定阈值范围内的图像。
5.根据权利要求4所述的角膜反射图像的筛选方法，其特征在于，所述网络模型的构建方式包括：
预先获取预设数量的角膜反射图像，并在对所述角膜反射图像进行预处理后，将所述角膜反射图像分成训练数据集与测试数据集；
将所述训练数据集输入至卷积神经网络模型中进行训练，得到一网络模型，所述网络模型用于对角膜反射图像进行分割；
将所述测试数据集输入至所述网络模型中进行测试，测试完成后得到训练完成的所述网络模型。
6.根据权利要求1所述的角膜反射图像的筛选方法，其特征在于，所述基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，包括：
获取所述初步筛选后的所述测试样本中的整体圆环区域，并进行图像增强处理，得到增强处理后的测试样本；
采用同态滤波，获取增强处理后的测试样本中的圆环部分，并对同态滤波后的所述测试样本进行连通域分析，确定出所述测试样本中的中心圆环；
对确定出的所述中心圆环进行椭圆拟合，将所述椭圆的圆心作为所述中心圆环的中心，并筛除圆环不对称的图像及中心圆环的中心与仪器光轴点不对齐的图像，以完成所述测试样本的第二次筛选。
7.根据权利要求1所述的角膜反射图像的筛选方法，其特征在于，所述对第二次筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，包括：
对第二次筛选后的所述测试样本中的角膜反射图像计算水平梯度以及竖直梯度，确定所述角膜反射图像中角膜反射几何区域的位置；
计算角膜反射几何区域的强边缘宽度，并建立强边缘宽度直方图；
对不同宽度的强边缘进行计算，得到强边缘对应的概率，并计算清晰度指标参数。
8.一种角膜反射图像的质量评估装置，其特征在于，所述装置包括：
图像获取单元，用于获取角膜反射图像，并对所述角膜反射图像进行预处理，得到测试样本，所述测试样本为经过预处理后的所述角膜反射图像；
初步筛选单元，用于将所述测试样本输入至已训练完成的网络模型中进行分割处理，得到分割结果，并基于所述分割处理对所述测试样本进行初步筛选；
二次筛选单元，用于基于圆环中心定位及评估对初步筛选的所述测试样本进行第二次筛选，得到第二次筛选后的所述测试样本；
三次筛选单元，用于对初步筛选后的所述测试样本进行强边缘检测，并输出每一个所述角膜反射图像的清晰度指标参数，基于所述清晰度指标参数对所述角膜反射图像进行第三次筛选；
所述强边缘检测包括：
利用以下公式对不同宽度的强边缘进行计算，得到强边缘对应的概率，
其中，ni为宽度为wi的强边缘数目，n为总的强边缘数目；
在得到不同宽度强边缘的概率后，建立直方图，直方图的横坐标表示强边缘宽度w，直方图的纵坐标为宽度w的概率p(w)；
然后进入距离因子，所述距离因子用于加大直方图峰值部分所对应的宽度对清晰度的贡献，同时减少直方图两端的宽度对清晰度的影响；所述距离因子表示为：
其中，wm为概率最大的边缘宽度，we为最大的边缘宽度，wi为各边缘宽度，d(wi)为距离因子；
得到距离因子后，引入以下公式作为清晰度指标参数，
其中，wo为最小的边缘宽度。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
CN202011161342.3A 2020-10-27 2020-10-27 角膜反射图像的筛选方法、装置、智能终端及存储介质 Active CN112381767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011161342.3A CN112381767B (zh) 2020-10-27 2020-10-27 角膜反射图像的筛选方法、装置、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011161342.3A CN112381767B (zh) 2020-10-27 2020-10-27 角膜反射图像的筛选方法、装置、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN112381767A CN112381767A (zh) 2021-02-19
CN112381767B true CN112381767B (zh) 2023-09-01

Family

ID=74576990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011161342.3A Active CN112381767B (zh) 2020-10-27 2020-10-27 角膜反射图像的筛选方法、装置、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN112381767B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526955B (zh) * 2022-09-05 2023-06-02 杭州微晓医疗科技有限公司 一种用于生成角膜地形图的方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087652A (zh) * 2009-12-08 2011-06-08 百度在线网络技术（北京）有限公司 图像筛选方法及其系统
CN104113687A (zh) * 2014-06-24 2014-10-22 中兴通讯股份有限公司 一种图片处理方法及电子设备
CN104794171A (zh) * 2015-03-31 2015-07-22 百度在线网络技术（北京）有限公司 标记图片地理位置信息的方法及装置
CN110321944A (zh) * 2019-06-26 2019-10-11 华中科技大学 一种基于接触网画质评估的深度神经网络模型的构建方法
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像前列腺分割方法
CN111274926A (zh) * 2020-01-17 2020-06-12 深圳佑驾创新科技有限公司 图像数据筛选方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087652A (zh) * 2009-12-08 2011-06-08 百度在线网络技术（北京）有限公司 图像筛选方法及其系统
CN104113687A (zh) * 2014-06-24 2014-10-22 中兴通讯股份有限公司 一种图片处理方法及电子设备
CN104794171A (zh) * 2015-03-31 2015-07-22 百度在线网络技术（北京）有限公司 标记图片地理位置信息的方法及装置
CN110321944A (zh) * 2019-06-26 2019-10-11 华中科技大学 一种基于接触网画质评估的深度神经网络模型的构建方法
CN110930416A (zh) * 2019-11-25 2020-03-27 宁波大学 一种基于u型网络的mri图像前列腺分割方法
CN111274926A (zh) * 2020-01-17 2020-06-12 深圳佑驾创新科技有限公司 图像数据筛选方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于清晰度的茶叶嫩芽聚类分割方法;黄涛;方梦瑞;夏华;左亮亮;吕军;;湖北农业科学(第08期);第1-5页 *

Also Published As

Publication number Publication date
CN112381767A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN110399929B (zh) 眼底图像分类方法、装置以及计算机可读存储介质
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN111462076B (zh) 一种全切片数字病理图像模糊区域检测方法及系统
CN111784671A (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN109685770B (zh) 视网膜血管弯曲度确定方法
CN108734108B (zh) 一种基于ssd网络的裂纹舌识别方法
CN110706233A (zh) 一种视网膜眼底图像分割方法及装置
CN111161222B (zh) 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN114612472B (zh) 一种基于SegNet改进的皮革缺陷分割网络算法
CN113781455B (zh) 宫颈细胞图像异常检测方法、装置、设备及介质
CN112215217B (zh) 模拟医师阅片的数字图像识别方法及装置
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN115984550A (zh) 一种眼睛虹膜色素斑纹理自动分割方法
CN112381767B (zh) 角膜反射图像的筛选方法、装置、智能终端及存储介质
CN114841992A (zh) 基于循环生成对抗网络和结构相似性的缺陷检测方法
CN111435445A (zh) 字符识别模型的训练方法及装置、字符识别方法及装置
CN116385467B (zh) 基于自监督学习的脑血管分割方法及相关设备
CN112017165A (zh) 一种基于深度学习的泪河高度检测方法
CN114612669B (zh) 一种医学图像炎症坏死占比的计算方法及装置
Smailagic et al. Learned pre-processing for automatic diabetic retinopathy detection on eye fundus images
CN116152191A (zh) 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备
CN115100731A (zh) 一种质量评价模型训练方法、装置、电子设备及存储介质
CN114332278A (zh) 一种基于深度学习的octa图像运动矫正方法
Safmi et al. The Augmentation Data of Retina Image for Blood Vessel Segmentation Using U-Net Convolutional Neural Network Method.
Oliveira et al. Drusen detection in OCT images with AMD using random forests

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