CN112734787A - 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 - Google Patents
基于图像分解的眼科sd-oct高反射点分割方法及实现系统 Download PDFInfo
- Publication number
- CN112734787A CN112734787A CN202011639429.7A CN202011639429A CN112734787A CN 112734787 A CN112734787 A CN 112734787A CN 202011639429 A CN202011639429 A CN 202011639429A CN 112734787 A CN112734787 A CN 112734787A
- Authority
- CN
- China
- Prior art keywords
- point
- reflection
- image
- points
- oct
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000011218 segmentation Effects 0.000 title claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000002146 bilateral effect Effects 0.000 claims abstract description 20
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- TVGUROHJABCRTB-MHJQXXNXSA-N [(2r,3s,4r,5s)-5-[(2r,3r,4r,5r)-2-(2-amino-6-oxo-3h-purin-9-yl)-4-hydroxy-5-(hydroxymethyl)oxolan-3-yl]oxy-3,4-dihydroxyoxolan-2-yl]methyl dihydrogen phosphate Chemical compound O([C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1C=NC=2C(=O)N=C(NC=21)N)[C@@H]1O[C@H](COP(O)(O)=O)[C@@H](O)[C@H]1O TVGUROHJABCRTB-MHJQXXNXSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012014 optical coherence tomography Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 210000001525 retina Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000028709 inflammatory response Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000002301 subretinal fluid Anatomy 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect 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
- G06T7/10—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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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)
- Image Processing (AREA)
Abstract
本发明涉及基于图像分解的眼科SD‑OCT高反射点分割方法及实现系统，包括：(1)利用改进的双边滤波对原OCT图像进行滤波处理；(2)利用图像分解技术将滤波处理后的图像分解为平滑部分和稀疏部分，高反射点存在于稀疏部分中；(3)利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，并利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。本发明利用改进的双边滤波方法对OCT进行降噪的同时，增大了高反射点与背景部分的对比度，减少了噪声对高反射点分割的影响。本发明算法原理简单，易于实现，且精度较高，运行速度快，既能满足医生对精度的要求，又能满足实时性的要求。
Description
技术领域
本发明涉及基于图像分解的眼科SD-OCT高反射点分割方法及实现系统，属于图像处理技术领域。
背景技术
视网膜疾病是世界范围内常见的致盲原因，早期临床发现有助于避免患者失明。由于谱域光学相干断层成像(Spectral Domain Optical Coherence Tomography,SD-OCT)能够精确显示玻璃膜疣、高反射点(Hyperreflective Dots,HRD)、视网膜内和视网膜下积液等病灶，光学相干断层成像已被广泛应用于视网膜疾病的诊断。然而，由于伪影噪声的存在，对这些病灶的检测和分割并不是一件容易的事情。
法国Coscas教授在2009年最先报道了SD-OCT图像中高反射点(在OCT图像中约为6-60个像素点)的存在，其在SD-OCT图像中表现为较小的高亮点，分布于视网膜各层(主要集中在外层)。高反射点是每次临床复发时可检测到的第一个变化，也是治疗后第一个消失的特征。这一观察结果表明高反射点可以作为早期炎症反应的临床标志物。SD-OCT图像中存在大量的散斑噪声，和高反射点为小亮点的特性极为相似，很难直接用阈值的方法将高反射点分离出来。目前，临床主要诊断方式为医生肉眼评估。然而，人眼对高反射点数量、面积和位置等指标的评估具有较大的主观性，手工分割高反射点耗时费力。因此，SD-OCT图像自动化分割高反射点并定量评估高反射点指标具有重大意义。高反射点散布在视网膜的各层中，且在B-scan扫描切片上表现为面积较小的亮点，极易与SD-OCT图像中的噪声混淆。目前并未有到相关公开文献解决该问题。
发明内容
针对现有技术的不足，本发明提供了基于图像分解的眼科SD-OCT高反射点分割方法；
本发明还提供了上述基于图像分解的眼科SD-OCT高反射点分割方法的实现系统；
本发明要解决的技术问题包括：(1)既要消除噪声对高反射点分割的影响，又不能破坏高反射点的结构信息。(2)高反射点散布在视网膜各层，不能通过层分割来定位高反射点的位置。3.提高算法运行速度，以便于临床实际应用。
术语解释：
1、SD-OCT，SD-OCT是一种非侵入式的微米级分辨率的实时成像技术，用于眼后段结构(包括视网膜、黄斑和视盘等)活体检查。
2、Otsu阈值，Otsu阈值是最大类间方差法，是1979年日本学者大津提出的一种自适应的阈值确定方法，是图像处理领域常用的一种阈值方法。
3、形态学处理，即数学形态学(mathematical Morphology)，是图像处理中应用最为广泛的技术之一，主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最为本质〈最具区分能力－most discriminative)的形状特征，如边界和连通区域等。同时像细化、像素化和修剪毛刺等技术也常应用于图像的预处理和后处理中，成为图像增强技术的有力补充。
本发明的技术方案为：
基于图像分解的眼科SD-OCT高反射点分割方法，包括步骤如下：
(1)利用改进的双边滤波对原SD-OCT图像进行滤波处理；以减小噪声干扰并增大高反射点与背景的对比度。
(2)利用图像分解技术将步骤(1)滤波处理后的图像分解为平滑部分和稀疏部分，高反射点存在于稀疏部分中；目的是减少背景对高反射点分割的影响，使得高反射点使用简单的阈值方法就能够得到较好的分割结果。
(3)利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，并利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
根据本发明优选的，步骤(1)中，由于高反射点为图像中较亮的点，在原有的双边滤波方法上加入像素值大小对滤波结果的影响，即像素值越大的点对滤波结果影响越大，像素值越小的点对滤波结果影响越小。改进的双边滤波公式如式(Ⅰ)所示：
式(Ⅰ)中，q为当前处理的像素点；S表示以q为中心半径为d的邻域；p表示S邻域内的像素点；Ip表示p点的像素值；Gk(p)表示p点到q点的空间距离权重，距离越远，p点对q点的影响越小，即Gk(p)值越小；Gr(p)表示p点像素值与q点像素值差的权重，差值越大，p点对q点的影响越小，即Gr(p)值越小；Gv(p)表示p点与q点像素值大小所占权重，p点与q点像素值和越大，Gv(p)值越大；BFq表示对q点进行滤波之后的像素值大小；
加入Gv(p)项能够加大滤波之后高反射点与背景的对比度，有利于后续高反射点的分割。由于高反射点属于SD-OCT图像中像素值较大的高亮点，本发明在滤波过程中通过保持或增大亮的像素点来增大高反射点和图像背景的对比度，所以引入Gv(p)项，赋予亮的像素点更大的权重，从而减小滤波过程中背景像素对高反射点像素的影响，达到提高对比度的目的。
根据本发明优选的，步骤(2)中，由于高反射点是较小的亮点，将高反射点和背景部分分别显示在两个图像中，则高反射点所在图像看作是稀疏部分，而背景部分所在图像看作是平滑部分,利用图像分解方法将步骤(1)滤波处理后的图像即含有高反射点的OCT图像分解为平滑部分和稀疏部分，如式(Ⅱ)所示：
minμ||C||TV+||T||1s.t.C+T＝M (Ⅱ)
式(Ⅱ)中，M为步骤(1)滤波处理后的图像，C为平滑部分，T为稀疏部分，包含高反射点，||C||TV＝∑i,j(ci+1,j-ci,j)2+(ci,j+1-ci,j)2，ci,j表示C中(i,j)位置处的像素值；||T||1＝∑i,j|ti,j|，ti,j表示T中(i,j)位置处的像素值，μ为调节C和T权重的一个参数。
这样做可以减少背景部分对高反射点的干扰，有利于后续高反射点的分割。
根据本发明优选的，步骤(3)中，利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，是指：先计算步骤(2)中得到的稀疏部分T的Otsu阈值t；再将T中小于2×t的值置为0，得到高反射点候选点。
Otsu阈值为图像处理领域的一种常用阈值方法，可直接计算。
根据本发明优选的，步骤(3)中，利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点分割结果，是指：利用形态学后处理的方法去除离散点和面积较大的点；离散点是指面积小于6个像素的像素点，面积较大的区域是指面积大于60个像素的点。
该方法无需用户手动设置参数，能够自动实现OCT高反射点的分割，分割结果能够满足医生的需求，且整体算法运行时间约为6s，能够满足实时性的要求。
上述基于图像分解的眼科SD-OCT高反射点分割方法的实现系统，包括依次连接的滤波处理模块、图像分解模块、高反射点候选点分离模块及高反射点获取模块；
所述滤波处理模块用于实现上述步骤(1)；所述图像分解模块用于实现上述步骤(2)；所述高反射点候选点分离模块用于实现上述步骤(3)中利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来；所述高反射点获取模块用于实现上述步骤(3)中利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
本发明的有益效果为：
1、本发明利用改进的双边滤波方法对OCT进行降噪的同时，增大了高反射点与背景部分的对比度，减少了噪声对高反射点分割的影响。
2、现有技术中直接对原图像进行高反射点分割较为困难，所以本发明采用图像分解的方法，将原OCT图像分解为平滑部分和稀疏部分，其中高反射点全部在稀疏部分中。分解之后的结果利用简单的阈值就能将高反射点较为准确的分割出来。算法原理简单，易于实现，且精度较高，运行速度快，既能满足医生对精度的要求，又能满足实时性的要求。
附图说明
图1为本发明基于图像分解的眼科SD-OCT高反射点分割方法的流程示意图；
图2为本发明基于图像分解的眼科SD-OCT高反射点分割方法的实现系统的结构框图；
图3为原SD-OCT图像的示意图；
图4为利用未改进的双边滤波对原SD-OCT图像进行滤波处理后的结果示意图；
图5为利用改进的双边滤波对原SD-OCT图像进行滤波处理后的结果示意图；
图6为利用改进的双边滤波对原SD-OCT图像进行滤波处理后的整体结果示意图；
图7为从图6中分割出的平滑部分C的示意图；
图8为从图6中分割出的稀疏部分T的示意图；
图9为分割结果原图中结果显示示意图。
具体实施方式
下面结合说明书附图和实施例对本发明作进一步限定，但不限于此。
实施例1
基于图像分解的眼科SD-OCT高反射点分割方法，如图1所示，包括步骤如下：
(1)利用改进的双边滤波对原SD-OCT图像进行滤波处理；以减小噪声干扰并增大高反射点与背景的对比度。
(2)利用图像分解技术将步骤(1)滤波处理后的图像分解为平滑部分和稀疏部分，高反射点存在于稀疏部分中；目的是减少背景对高反射点分割的影响，使得高反射点使用简单的阈值方法就能够得到较好的分割结果。
(3)利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，并利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
实施例2
基于图像分解的眼科SD-OCT高反射点分割方法，其区别在于：
步骤(1)中，由于高反射点为图像中较亮的点，在原有的双边滤波方法上加入像素值大小对滤波结果的影响，即像素值越大的点对滤波结果影响越大，像素值越小的点对滤波结果影响越小。改进的双边滤波公式如式(Ⅰ)所示：
式(Ⅰ)中，q为当前处理的像素点；S表示以q为中心半径为d的邻域；p表示S邻域内的像素点；Ip表示p点的像素值；Gk(p)表示p点到q点的空间距离权重，距离越远，p点对q点的影响越小，即Gk(p)值越小；Gr(p)表示p点像素值与q点像素值差的权重，差值越大，p点对q点的影响越小，即Gr(p)值越小；Gv(p)表示p点与q点像素值大小所占权重，p点与q点像素值和越大，Gv(p)值越大；BFq表示对q点进行滤波之后的像素值大小；
加入Gv(p)项能够加大滤波之后高反射点与背景的对比度，有利于后续高反射点的分割。由于高反射点属于SD-OCT图像中像素值较大的高亮点，本发明在滤波过程中通过保持或增大亮的像素点来增大高反射点和图像背景的对比度，所以引入Gv(p)项，赋予亮的像素点更大的权重，从而减小滤波过程中背景像素对高反射点像素的影响，达到提高对比度的目的。
图3为原SD-OCT图像的示意图；利用未改进的双边滤波对原SD-OCT图像进行滤波处理后的结果如图4所示，利用改进的双边滤波对原SD-OCT图像进行滤波处理后的结果如图5所示，图3-图5中，左侧框内为一个高反射点，右下角框为图像块放大结果。由于改进的双边滤波方法中引入了Gv(p)项，使得在滤波过程中，减少了背景较暗像素对高反射点的影响，保持或提高了高反射点的亮度。从而达到在去除噪声的同时，不会模糊高反射点的效果。通过图像对比可以发现，与原始的双边滤波方法相比，改进的双边滤波结果中高反射点亮度更亮，与周围背景的对比度更高。
步骤(2)中，由于高反射点是较小的亮点，将高反射点和背景部分分别显示在两个图像中，则高反射点所在图像看作是稀疏部分，而背景部分所在图像看作是平滑部分,利用图像分解方法将步骤(1)滤波处理后的图像即含有高反射点的OCT图像分解为平滑部分和稀疏部分，如式(Ⅱ)所示：
minμ||C||TV+||T||1s.t.C+T＝M (Ⅱ)
式(Ⅱ)中，M为步骤(1)滤波处理后的图像，C为平滑部分，T为稀疏部分，包含高反射点，||C||TV＝∑i,j(ci+1,j-ci,j)2+(ci,j+1-ci,j)2，ci,j表示C中(i,j)位置处的像素值；||T||1＝∑i,j|ti,j|，ti,j表示T中(i,j)位置处的像素值，μ为调节C和T权重的一个参数。
这样做可以减少背景部分对高反射点的干扰，有利于后续高反射点的分割。
图6为利用改进的双边滤波对原SD-OCT图像进行滤波处理后的整体结果示意图；图7为从图6中分割出的平滑部分C的示意图；图8为从图6中分割出的稀疏部分T的示意图；图9为分割结果原图中结果显示示意图；
步骤(3)中，利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，是指：先计算步骤(2)中得到的稀疏部分T的Otsu阈值t；再将T中小于2×t的值置为0，得到高反射点候选点。
Otsu阈值为图像处理领域的一种常用阈值方法，可直接计算。
步骤(3)中，利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点分割结果，是指：利用形态学后处理的方法去除离散点和面积较大的点；离散点是指面积小于6个像素的像素点，面积较大的区域是指面积大于60个像素的点。
该方法无需用户手动设置参数，能够自动实现OCT高反射点的分割，分割结果能够满足医生的需求，且整体算法运行时间约为6s，能够满足实时性的要求。
实施例3
实施例1或2所述的基于图像分解的眼科SD-OCT高反射点分割方法的实现系统，如图2所示，包括依次连接的滤波处理模块、图像分解模块、高反射点候选点分离模块及高反射点获取模块；
滤波处理模块用于实现上述步骤(1)；图像分解模块用于实现上述步骤(2)；高反射点候选点分离模块用于实现上述步骤(3)中利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来；高反射点获取模块用于实现上述步骤(3)中利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
Claims (7)
1.基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，包括步骤如下：
(1)利用改进的双边滤波对原SD-OCT图像进行滤波处理；
(2)利用图像分解技术将步骤(1)滤波处理后的图像分解为平滑部分和稀疏部分，高反射点存在于稀疏部分中；
(3)利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，并利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
2.根据权利要求1所述的基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，步骤(1)中，改进的双边滤波公式如式(Ⅰ)所示：
式(Ⅰ)中，q为当前处理的像素点；S表示以q为中心半径为d的邻域；p表示S邻域内的像素点；Ip表示p点的像素值；Gk(p)表示p点到q点的空间距离权重，距离越远，p点对q点的影响越小，即Gk(p)值越小；Gr(p)表示p点像素值与q点像素值差的权重，差值越大，p点对q点的影响越小，即Gr(p)值越小；Gv(p)表示p点与q点像素值大小所占权重，p点与q点像素值和越大，Gv(p)值越大；BFq表示对q点进行滤波之后的像素值大小；
3.根据权利要求1所述的基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，步骤(2)中，将高反射点和背景部分分别显示在两个图像中，则高反射点所在图像看作是稀疏部分，而背景部分所在图像看作是平滑部分,利用图像分解方法将步骤(1)滤波处理后的图像即含有高反射点的OCT图像分解为平滑部分和稀疏部分，如式(Ⅱ)所示：
min μ||C||TV+||T||1s.t.C+T＝M (Ⅱ)
式(Ⅱ)中，M为步骤(1)滤波处理后的图像，C为平滑部分，T为稀疏部分，包含高反射点，||C||TV＝∑i,j(ci+1,j-ci,j)2+(ci,j+1-ci,j)2，ci,j表示C中(i,j)位置处的像素值；||T||1＝∑i,j|ti,j|，ti,j表示T中(i,j)位置处的像素值，μ为调节C和T权重的一个参数。
4.根据权利要求3所述的基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，步骤(3)中，利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来，是指：先计算步骤(2)中得到的稀疏部分T的Otsu阈值t；再将T中小于2×t的值置为0，得到高反射点候选点。
5.根据权利要求1-4任一所述的基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，步骤(3)中，利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点分割结果，是指：利用形态学后处理的方法去除离散点和面积较大的点。
6.根据权利要求5所述的基于图像分解的眼科SD-OCT高反射点分割方法，其特征在于，离散点是指面积小于6个像素的像素点，面积较大的区域是指面积大于60个像素的点。
7.权利要求1-6任一所述的基于图像分解的眼科SD-OCT高反射点分割方法的实现系统，其特征在于，包括依次连接的滤波处理模块、图像分解模块、高反射点候选点分离模块及高反射点获取模块；
所述滤波处理模块用于实现上述步骤(1)；所述图像分解模块用于实现上述步骤(2)；所述高反射点候选点分离模块用于实现上述步骤(3)中利用简单自适应阈值的方法将高反射点候选点从稀疏部分中分离出来；所述高反射点获取模块用于实现上述步骤(3)中利用形态学处理去除阈值结果中的离散点和面积较大的区域，得到最终的高反射点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639429.7A CN112734787B (zh) | 2020-12-31 | 2020-12-31 | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011639429.7A CN112734787B (zh) | 2020-12-31 | 2020-12-31 | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112734787A true CN112734787A (zh) | 2021-04-30 |
| CN112734787B CN112734787B (zh) | 2022-07-15 |
Family
ID=75608990
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011639429.7A Expired - Fee Related CN112734787B (zh) | 2020-12-31 | 2020-12-31 | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734787B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120150029A1 (en) * | 2008-12-19 | 2012-06-14 | University Of Miami | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography |
| CN103514605A (zh) * | 2013-10-11 | 2014-01-15 | 南京理工大学 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
| US20160135683A1 (en) * | 2013-06-13 | 2016-05-19 | University Of Tsukuba | Optical coherence tomography apparatus for selectively visualizing and analyzing vascular network of choroidal layer, and image-processing program and image-processing method for the same |
| 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 |
| CN111292338A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 |
-
2020
- 2020-12-31 CN CN202011639429.7A patent/CN112734787B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120150029A1 (en) * | 2008-12-19 | 2012-06-14 | University Of Miami | System and Method for Detection and Monitoring of Ocular Diseases and Disorders using Optical Coherence Tomography |
| US20160135683A1 (en) * | 2013-06-13 | 2016-05-19 | University Of Tsukuba | Optical coherence tomography apparatus for selectively visualizing and analyzing vascular network of choroidal layer, and image-processing program and image-processing method for the same |
| CN103514605A (zh) * | 2013-10-11 | 2014-01-15 | 南京理工大学 | 基于hd-oct视网膜图像的脉络膜层自动分割方法 |
| 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 |
| CN111292338A (zh) * | 2020-01-22 | 2020-06-16 | 苏州大学 | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| MARZIEH MOKHTARI; ZEINAB GHASEMI KAMASI; HOSSEIN RABBANI: "Automatic detection of Hyperreflective Foci in optical coherence tomography B-scans using Morphological Component Analysis", 《2017 39TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112734787B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Haleem et al. | Automatic extraction of retinal features from colour retinal images for glaucoma diagnosis: a review | |
| CN110390650B (zh) | 基于密集连接和生成对抗网络的oct图像去噪方法 | |
| Sarathi et al. | Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images | |
| Xiong et al. | An enhancement method for color retinal images based on image formation model | |
| Rasta et al. | A comparative study on preprocessing techniques in diabetic retinopathy retinal images: illumination correction and contrast enhancement | |
| Khan et al. | CDR based glaucoma detection using fundus images: a review | |
| Rodrigues et al. | Retinal vessel segmentation using parallel grayscale skeletonization algorithm and mathematical morphology | |
| Naveen et al. | Diabetic retinopathy detection using image processing | |
| Yang et al. | Retinal image enhancement with artifact reduction and structure retention | |
| Akram et al. | Blood vessel enhancement and segmentation using wavelet transform | |
| Prageeth et al. | Early detection of retinal nerve fiber layer defects using fundus image processing | |
| CN115205315A (zh) | 一种眼科体征保持的眼底图像增强方法 | |
| CN109389567B (zh) | 一种快速光学成像数据的稀疏滤波方法 | |
| Wisaeng et al. | Automatic detection of exudates in retinal images based on threshold moving average models | |
| Hashim et al. | Preprocessing of color retinal fundus images | |
| Phyo et al. | Automatic detection of optic disc and blood vessels from retinal images using image processing techniques | |
| Zardadi et al. | Unsupervised segmentation of retinal blood vessels using the human visual system line detection model | |
| CN112734787B (zh) | 基于图像分解的眼科sd-oct高反射点分割方法及实现系统 | |
| Bharkad | Automatic segmentation of optic disk in retinal images using dwt | |
| Kromer et al. | An automated approach for localizing retinal blood vessels in confocal scanning laser ophthalmoscopy fundus images | |
| Noronha et al. | A review of fundus image analysis for the automated detection of diabetic retinopathy | |
| Palanisamy et al. | An adaptive enhancement and fovea detection technique for color fundus image analysis | |
| Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
| Akram et al. | Gabor wavelet based vessel segmentation in retinal images | |
| Poonguzhali et al. | Retinal Health Investigation by Segmentation of Major and Minor Blood Vessels in Fundus Images for Diabetes Patients. |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220715 |