CN112435251A - 一种视网膜眼底图像的渗出液检测方法 - Google Patents
一种视网膜眼底图像的渗出液检测方法 Download PDFInfo
- Publication number
- CN112435251A CN112435251A CN202011400321.2A CN202011400321A CN112435251A CN 112435251 A CN112435251 A CN 112435251A CN 202011400321 A CN202011400321 A CN 202011400321A CN 112435251 A CN112435251 A CN 112435251A
- Authority
- CN
- China
- Prior art keywords
- image
- fundus
- exudate
- transformation
- fundus 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.)
- Pending
Links
- 210000000416 exudates and transudate Anatomy 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000001525 retina Anatomy 0.000 title description 4
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000002207 retinal effect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims description 40
- 244000181917 Rubus leucodermis Species 0.000 claims description 12
- 235000011036 Rubus leucodermis Nutrition 0.000 claims description 12
- 235000003942 Rubus occidentalis Nutrition 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 208000006550 Mydriasis Diseases 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 210000003733 optic disk Anatomy 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 239000000049 pigment Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 210000001747 pupil Anatomy 0.000 claims description 3
- 206010034960 Photophobia Diseases 0.000 claims description 2
- 208000013469 light sensitivity Diseases 0.000 claims description 2
- 241001647280 Pareques acuminatus Species 0.000 claims 1
- 210000004204 blood vessel Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 claims 1
- 239000012530 fluid Substances 0.000 abstract description 5
- 230000000149 penetrating effect Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002911 mydriatic effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 206010039729 Scotoma Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002763 pyramidal cell Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G06T5/20—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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种视网膜眼底图像的渗出液检测方法,所述视网膜眼底图像的渗出液检测方法包括以下步骤:步骤一:利用免散瞳眼底照相机拍摄眼底图像;步骤二:对眼底图像进行预处理;步骤三:对图像进行增强;步骤四:对图像进行视盘定位;步骤五:对渗出液区域进行定位;步骤六:对渗出液区域进行分类检测;步骤七:生成标记渗出液的眼底图像。本发明中眼底图像的预处理用到彩色空间模型,可以把图像分为彩色和灰度信息,适合处理灰度图像,进而提高图像增强的效果,且使得处理后的图像更为清晰,方便医务人员判断病情,同时,对可疑渗透液的出现区域进行分类检测,在检测完成后电脑自动打印出标记有渗出液的眼底图像。
Description
技术领域
本发明属于医疗检测技术领域,具体为一种视网膜眼底图像的渗出液检测方法。
背景技术
视网膜疾病是一种眼部疾病,其症状主要为出现不同程度的视力障碍,如黄斑区的锥体细胞受损可发生中心暗点,中心视力减退和色觉障碍等,该区如有出血、渗出物或水肿,可出现视物变形等。除完整的病史回顾和常规眼科检查外,眼科医生将做如下检查:视力表检查视网膜病-常规视力表检查用于不同距离的视力能力检测。扩瞳检查-点眼药扩瞳后,详细检查眼底视网膜情况。眼压-检测眼球内液体压的标准检查。眼底镜检查-眼内科用一个特殊的放大镜做视网膜的详细检查。
但是现有的技术在对眼底图像进行检测时极易出现检测效率低下或是检测手段不够精细,无法确定患者病情。因此需要对视网膜的检测方法加以改进,同时提出一种视网膜眼底图像的渗出液检测方法,便于更好的解决上述提出的问题。
发明内容
本发明的目的在于:为了解决上述提出的问题,提供一种视网膜眼底图像的渗出液检测方法。
本发明采用的技术方案如下:
一种视网膜眼底图像的渗出液检测方法,所述视网膜眼底图像的渗出液检测方法包括以下步骤:
步骤一:利用免散瞳眼底照相机拍摄眼底图像;
步骤二:对眼底图像进行预处理;
步骤三:对眼底图像进行增强;
步骤四:对图像进行视盘定位;
步骤五:对渗出液区域进行定位;
步骤六:对渗出液区域进行分类检测;
步骤七:生成标记渗出液的眼底图像。
在一优选的实施方式中,所述免散瞳眼底照相机利用高感光原理,提高相机的感光度,使用较弱光线(瞳孔较大)对眼底进行照相,拿到计算机上进行观察和分析。
在一优选的实施方式中,所述眼底图像的预处理需要用到彩色空间模型,常用的彩色空问模型有RGB模型、LAB模型、CMYK模型和HIS模型等,RGB(红、绿、蓝)是面向硬件的模型,如显示器等,CMYK(青、深红、黄、黑)是针对打印机的模型,LAB是不依赖光线和颜料的模型,它是CIE组织确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式,LAB模式弥补TRGB和CMYK两种色彩模式的不足,HIS模型(色调、 饱和度、 亮度)是更符合人们描述和解释颜色的方式, 而且可以把图像分为彩色和灰度信息,适合处理灰度图像。
4.在一优选的实施方式中,所述图像增强首先采用高帽变换对图像进行处理,高帽 变换是数学形态学变换中常用的一种方法多用于非均匀光照中较亮或较暗区域的提取增强阴影区域细节,可分为白帽变换和黑帽变换,其中白帽变换是从原图像中减去原图像与一定结构元素开运算后的图像设b为结构元素,f(x,y)为输入图像:
Th=f(x,y)-(f(x,y)b)
黑帽变换是从闭运算后的图像中减去原图像:
Lc=(f(x,y)-b)-f(x,y)
白帽变换具有高通滤波的特性,变换后的图像体现原图像的灰度峰值信息可有效地增强图像中暗区细节,弱化亮区细节,黑帽变换后的图像凸显原图像的灰度谷值信息,与白帽运算相反,黑帽变换可以有效地增强图像中的亮区细节,弱化暗区细节,白帽变换的图像加上原图像后减去黑帽变换的图像式,得到最终形态学处理的图像:
Re=Th-Lc+f(x,y)。
5.在一优选的实施方式中,所述眼底图像经高帽变换后的图像质量有一定的改善但往往对比度不强,为了凸显前景图像对比度,扩大灰度值的动态范围实验进一步采用有限对比度直方图均衡化进行增强,有限对比度自适应直方图均衡化能克服标准直方图均衡化的局限性,基于自适应直方图均衡化从整幅图像的视觉效果方面改善图像的质量,CLAHE算法将输入图像分为许多区域,在每个区域中进行直方图均衡化,使灰度值分布更加均匀化,然后在相邻的区域使用双线性插值消除人为设定的边界,同时限制均质区域的对比度以避免图像中可能存在的噪声影响 ,图像的直方图由区域内和区域外直方图两部分构成:
Hl(k)=aHw(k)+(1-a)Hb(k)
其中 Hw(k)是区域内的归一化直方图Hb(k)则为区域间的归一化直方图。
在一优选的实施方式中,所述视盘定位在掩摸处理和血管分割后按照下述步骤定位视盘坐标:
a.定义窗口Wh(高度为图像高度,宽度大约为2倍的主血管宽度),且其中心定位在水平坐标点x处;
b.在血管分割图的水平方向从左到右滑动窗口Wh,并计算每个窗口内的血管散布度值(D)x,作为水平位置x处的投影值;
c.根据水平投影曲线找到其最小值对应的坐标为视盘的水平坐标;
d.定义窗口Wv(长度和宽度为视盘直径大小),且其中心定位在已确定的视盘水平坐标对应的垂直方向y处;
e.沿垂直方向从上到下滑动窗口Wv,并分别在原图和Gabor滤波响应图上估计每个窗口内平均亮度和平均滤波响应值,计算 f(y),作为相应垂直位置y处的纵向投影值;
f.根据垂直投影曲线寻找最大值对应的坐标为视盘的垂直坐标。
在一优选的实施方式中,所述眼底图像经上述步骤后则可以清晰的渗出液在眼底图像的分布图,此时根据特异性的不同对不同的区域进行分类,并检测。
在一优选的实施方式中,所述渗出液的检测可通过多种方案进行不同的检测,且在检测完成后可由电脑打印出标记有渗出液的眼底图像。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明中,眼底图像的预处理用到彩色空间模型,常用的彩色空问模型有RGB模型、LAB模型、CMYK模型和HIS模型等,LAB模式弥补TRGB和CMYK两种色彩模式的不足,HIS模型(色调、 饱和度、 亮度)是更符合人们描述和解释颜色的方式,而且可以把图像分为彩色和灰度信息,适合处理灰度图像,进而提高图像增强的效果,且使得处理后的图像更为清晰,方便医务人员判断病情。
2、本发明中,对可疑渗透液的出现区域进行分类检测,防止出现误判病情的同时也可以对病人的视网膜进行更为全面的检测,防止出现其他隐患,同时,在检测完成后电脑可以自动打印出标记有渗出液的眼底图像,有效的节省了时间,提高了检测效率。
附图说明
图1为本发明的工作流程示意图;
图2为本发明中高帽变化的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1-2,一种视网膜眼底图像的渗出液检测方法,视网膜眼底图像的渗出液检测方法包括以下步骤:
步骤一:利用免散瞳眼底照相机拍摄眼底图像;
步骤二:对眼底图像进行预处理;
步骤三:对眼底图像进行增强;
步骤四:对图像进行视盘定位;
步骤五:对渗出液区域进行定位;
步骤六:对渗出液区域进行分类检测;
步骤七:生成标记渗出液的眼底图像。
免散瞳眼底照相机利用高感光原理,提高相机的感光度,使用较弱光线(瞳孔较大)对眼底进行照相,拿到计算机上进行观察和分析。
眼底图像的预处理需要用到彩色空间模型,常用的彩色空问模型有RGB模型、LAB模型、CMYK模型和HIS模型等,RGB(红、绿、蓝)是面向硬件的模型,如显示器等,CMYK(青、深红、黄、黑)是针对打印机的模型,LAB是不依赖光线和颜料的模型,它是CIE组织确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式,LAB模式弥补TRGB和CMYK两种色彩模式的不足,HIS模型(色调、 饱和度、 亮度)是更符合人们描述和解释颜色的方式,而且可以把图像分为彩色和灰度信息,适合处理灰度图像。
6.图像增强首先采用高帽变换对图像进行处理,高帽变换是数学形态学变换中常用的一种方法多用于非均匀光照中较亮或较暗区域的提取增强阴影区域细节,可分为白帽变换和黑帽变换,其中白帽变换是从原图像中减去原图像与一定结构元素开运算后的图像设b为结构元素,f(x,y)为输入图像:
Th=f(x,y)-(f(x,y)b)
黑帽变换是从闭运算后的图像中减去原图像:
Lc=(f(x,y)-b)-f(x,y)
白帽变换具有高通滤波的特性,变换后的图像体现原图像的灰度峰值信息可有效地增强图像中暗区细节,弱化亮区细节,黑帽变换后的图像凸显原图像的灰度谷值信息,与白帽运算相反,黑帽变换可以有效地增强图像中的亮区细节,弱化暗区细节,白帽变换的图像加上原图像后减去黑帽变换的图像式,得到最终形态学处理的图像:
Re=Th-Lc+f(x,y)。
7.眼底图像经高帽变换后的图像质量有一定的改善但往往对比度不强,为了凸显前景图像对比度,扩大灰度值的动态范围实验进一步采用有限对比度直方图均衡化进行增强,有限对比度自适应直方图均衡化能克服标准直方图均衡化的局限性,基于自适应直方图均衡化从整幅图像的视觉效果方面改善图像的质量,CLAHE算法将输入图像分为许多区域,在每个区域中进行直方图均衡化,使灰度值分布更加均匀化,然后在相邻的区域使用双线性插值消除人为设定的边界,同时限制均质区域的对比度以避免图像中可能存在的噪声影响 ,图像的直方图由区域内和区域外直方图两部分构成:
Hl(k)=aHw(k)+(1-a)Hb(k)
其中 Hw(k)是区域内的归一化直方图Hb(k)则为区域间的归一化直方图。
视盘定位在掩摸处理和血管分割后按照下述步骤定位视盘坐标:
a.定义窗口Wh(高度为图像高度,宽度大约为2倍的主血管宽度),且其中心定位在水平坐标点x处;
b.在血管分割图的水平方向从左到右滑动窗口Wh,并计算每个窗口内的血管散布度值(D)x,作为水平位置x处的投影值;
c.根据水平投影曲线找到其最小值对应的坐标为视盘的水平坐标;
d.定义窗口Wv(长度和宽度为视盘直径大小),且其中心定位在已确定的视盘水平坐标对应的垂直方向y处;
e.沿垂直方向从上到下滑动窗口Wv,并分别在原图和Gabor滤波响应图上估计每个窗口内平均亮度和平均滤波响应值,计算 f(y),作为相应垂直位置y处的纵向投影值;
f.根据垂直投影曲线寻找最大值对应的坐标为视盘的垂直坐标。
眼底图像经上述步骤后则可以清晰的渗出液在眼底图像的分布图,此时根据特异性的不同对不同的区域进行分类,并检测。
渗出液的检测可通过多种方案进行不同的检测,且在检测完成后可由电脑打印出标记有渗出液的眼底图像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种视网膜眼底图像的渗出液检测方法,其特征在于:所述视网膜眼底图像的渗出液检测方法包括以下步骤:
步骤一:利用免散瞳眼底照相机拍摄眼底图像;
步骤二:对眼底图像进行预处理;
步骤三:对眼底图像进行增强;
步骤四:对图像进行视盘定位;
步骤五:对渗出液区域进行定位;
步骤六:对渗出液区域进行分类检测;
步骤七:生成标记渗出液的眼底图像。
2.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述免散瞳眼底照相机利用高感光原理,提高相机的感光度,使用较弱光线(瞳孔较大)对眼底进行照相,拿到计算机上进行观察和分析。
3.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述眼底图像的预处理需要用到彩色空间模型,常用的彩色空问模型有RGB模型、LAB模型、CMYK模型和HIS模型等,RGB(红、绿、蓝)是面向硬件的模型,如显示器等,CMYK(青、深红、黄、黑)是针对打印机的模型,LAB是不依赖光线和颜料的模型,它是CIE组织确定的一个理论上包括了人眼可以看见的所有色彩的色彩模式,LAB模式弥补TRGB和CMYK两种色彩模式的不足,HIS模型(色调、 饱和度、 亮度)是更符合人们描述和解释颜色的方式,而且可以把图像分为彩色和灰度信息,适合处理灰度图像。
4.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述图像增强首先采用高帽变换对图像进行处理,高帽 变换是数学形态学变换中常用的一种方法多用于非均匀光照中较亮或较暗区域的提取增强阴影区域细节,可分为白帽变换和黑帽变换,其中白帽变换是从原图像中减去原图像与一定结构元素开运算后的图像设b为结构元素,f(x,y)为输入图像:
Th=f(x,y)-(f(x,y)b)
黑帽变换是从闭运算后的图像中减去原图像:
Lc=(f(x,y)-b)-f(x,y)
白帽变换具有高通滤波的特性,变换后的图像体现原图像的灰度峰值信息可有效地增强图像中暗区细节,弱化亮区细节,黑帽变换后的图像凸显原图像的灰度谷值信息,与白帽运算相反,黑帽变换可以有效地增强图像中的亮区细节,弱化暗区细节,白帽变换的图像加上原图像后减去黑帽变换的图像式,得到最终形态学处理的图像:
Re=Th-Lc+f(x,y)。
5.如权利要求4所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述眼底图像经高帽变换后的图像质量有一定的改善但往往对比度不强,为了凸显前景图像对比度,扩大灰度值的动态范围实验进一步采用有限对比度直方图均衡化进行增强,有限对比度自适应直方图均衡化能克服标准直方图均衡化的局限性,基于自适应直方图均衡化从整幅图像的视觉效果方面改善图像的质量,CLAHE算法将输入图像分为许多区域,在每个区域中进行直方图均衡化,使灰度值分布更加均匀化,然后在相邻的区域使用双线性插值消除人为设定的边界,同时限制均质区域的对比度以避免图像中可能存在的噪声影响 ,图像的直方图由区域内和区域外直方图两部分构成:
Hl(k)=aHw(k)+(1-a)Hb(k)
其中 Hw(k)是区域内的归一化直方图Hb(k)则为区域间的归一化直方图。
6.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述视盘定位在掩摸处理和血管分割后按照下述步骤定位视盘坐标:
a.定义窗口Wh(高度为图像高度,宽度大约为2倍的主血管宽度),且其中心定位在水平坐标点x处;
b.在血管分割图的水平方向从左到右滑动窗口Wh,并计算每个窗口内的血管散布度值(D)x,作为水平位置x处的投影值;
c.根据水平投影曲线找到其最小值对应的坐标为视盘的水平坐标;
d.定义窗口Wv(长度和宽度为视盘直径大小),且其中心定位在已确定的视盘水平坐标对应的垂直方向y处;
e.沿垂直方向从上到下滑动窗口Wv,并分别在原图和Gabor滤波响应图上估计每个窗口内平均亮度和平均滤波响应值,计算 f(y),作为相应垂直位置y处的纵向投影值;
f.根据垂直投影曲线寻找最大值对应的坐标为视盘的垂直坐标。
7.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述眼底图像经上述步骤后则可以清晰的渗出液在眼底图像的分布图,此时根据特异性的不同对不同的区域进行分类,并检测。
8.如权利要求1所述的一种视网膜眼底图像的渗出液检测方法,其特征在于:所述渗出液的检测可通过多种方案进行不同的检测,且在检测完成后可由电脑打印出标记有渗出液的眼底图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400321.2A CN112435251A (zh) | 2020-12-04 | 2020-12-04 | 一种视网膜眼底图像的渗出液检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400321.2A CN112435251A (zh) | 2020-12-04 | 2020-12-04 | 一种视网膜眼底图像的渗出液检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112435251A true CN112435251A (zh) | 2021-03-02 |
Family
ID=74692059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400321.2A Pending CN112435251A (zh) | 2020-12-04 | 2020-12-04 | 一种视网膜眼底图像的渗出液检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435251A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
CN110197487A (zh) * | 2019-03-06 | 2019-09-03 | 上海商路网络科技有限公司 | 一种基于皮肤图像检测色斑的方法 |
-
2020
- 2020-12-04 CN CN202011400321.2A patent/CN112435251A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842136A (zh) * | 2012-07-19 | 2012-12-26 | 湘潭大学 | 一种综合血管分布和视盘外观特性的视盘投影定位方法 |
CN105787927A (zh) * | 2016-02-06 | 2016-07-20 | 上海市第人民医院 | 视网膜眼底图像的渗出液检测方法 |
CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
CN110197487A (zh) * | 2019-03-06 | 2019-09-03 | 上海商路网络科技有限公司 | 一种基于皮肤图像检测色斑的方法 |
Non-Patent Citations (2)
Title |
---|
董永青、傅馨延等: "《医疗功能房间详图详解2》", 31 May 2020 * |
薛为民等, 中国铁道出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Color retinal image enhancement based on luminosity and contrast adjustment | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 | |
Cheng et al. | Structure-preserving guided retinal image filtering and its application for optic disk analysis | |
Sopharak et al. | Automatic detection of diabetic retinopathy exudates from non-dilated retinal images using mathematical morphology methods | |
CN110619301B (zh) | 一种基于双模态信号的情绪自动识别方法 | |
Akram et al. | Automated detection of dark and bright lesions in retinal images for early detection of diabetic retinopathy | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN103544686B (zh) | 基于相位一致性的眼底图像微动脉瘤检测方法 | |
CN106535740B (zh) | 用于确定表示角膜染色量的分数的方法和系统 | |
CN107292835A (zh) | 一种眼底图像视网膜血管自动矢量化的方法及装置 | |
CN107066957A (zh) | 可见光眼部图像中的虹膜定位方法和装置 | |
Noronha et al. | Support system for the automated detection of hypertensive retinopathy using fundus images | |
Qin et al. | Optic disc and cup segmentation based on deep learning | |
Bhadra et al. | Automated detection of eye diseases | |
Prageeth et al. | Early detection of retinal nerve fiber layer defects using fundus image processing | |
US20130222767A1 (en) | Methods and systems for detecting peripapillary atrophy | |
Tang et al. | Automatic segmentation of the papilla in a fundus image based on the CV model and a shape restraint | |
CN108665474B (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
Brancati et al. | Automatic segmentation of pigment deposits in retinal fundus images of Retinitis Pigmentosa | |
Shyam et al. | Blood vessel segmentation in fundus images and detection of glaucoma | |
CN104573723A (zh) | 一种基于中医望诊的“神”的特征提取与分类方法及系统 | |
CN112435251A (zh) | 一种视网膜眼底图像的渗出液检测方法 | |
Gunawardhana et al. | Automatic diagnosis of diabetic retinopathy using machine learning: a review | |
Priya et al. | A novel approach to the detection of macula in human retinal imagery | |
CN111291706B (zh) | 一种视网膜图像视盘定位方法 |
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 |
Application publication date: 20210302 |
|
RJ01 | Rejection of invention patent application after publication |