CN113344894B - 眼底豹纹斑特征提取及特征指数确定的方法和装置 - Google Patents
眼底豹纹斑特征提取及特征指数确定的方法和装置 Download PDFInfo
- Publication number
- CN113344894B CN113344894B CN202110695285.5A CN202110695285A CN113344894B CN 113344894 B CN113344894 B CN 113344894B CN 202110695285 A CN202110695285 A CN 202110695285A CN 113344894 B CN113344894 B CN 113344894B
- Authority
- CN
- China
- Prior art keywords
- fundus
- leopard
- image
- area
- feature
- 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
Links
- 241000282373 Panthera pardus Species 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 66
- 238000013135 deep learning Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 3
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 239000000049 pigment Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 210000003161 choroid Anatomy 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 210000001525 retina Anatomy 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000790 retinal pigment Substances 0.000 description 2
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
- G06T2207/20081—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
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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种眼底豹纹斑特征提取及特征指数确定的方法、装置、设备和介质,其中,所述方法包括:获取眼底图像,将眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑特征区域图像;确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,确定眼底豹纹斑密度。本发明实施例能够精细的提取眼底豹纹斑特征,并通过计算特征指数表示豹纹状眼底的显著程度。
Description
一、技术领域
本发明涉及眼底图像的处理领域,尤其涉及一种眼底豹纹斑特征提取及特征指数确定的方法、装置、设备和介质。
二、背景技术
在医学领域中,医生往往需要凭借丰富的经验才能从采集的眼底照片中判别视网膜色素上皮的色素情况,从而确定该眼底视网膜的色素异常情况,并进而进行其他的一些医学行为。由于人工判别受到医生经验、采集设备分辨率、灯光重影等多种主客观因素的影响,从而导致眼底脉络膜血管暴露区域特征的识别存在偏差,识别结果不稳定。眼底脉络膜暴露血管是视网膜色素变化或异常的重要表现特征之一,通过对其进行识别和分析,不仅可以反映视网膜色素异常情况,同时对一些疾病的早期诊断和预防都有着及其重要的临床医学意义。
豹纹状眼底是指由于视网膜色素上皮层的色素减少,脉络膜毛细血管间隙组织和色素增加,脉络膜大血管以及血管间隙的色素区透过视网膜而在眼底中显现的状似豹皮的纹理。豹纹斑即豹纹状眼底中脉络膜血管透见或裸露而形成的区域。
与一些单一病种不同的是,眼底豹纹状特征的显著差异较大,其显著程度与近视眼度数呈现出一定的关联性,但利用现有技术对眼底豹纹斑特征进行识别时,不能精细的得出豹纹斑特征的显著程度,得到的结果比较宽泛无法用数据精确描述。
三、发明内容
有鉴于此,本发明实施例的目的在于提供一种眼底豹纹斑特征提取及特征指数确定的方法、装置、设备及计算机可读存储介质,以高精度的提取豹纹斑特征,并计算特征指数。
第一方面,本发明实施例提供了一种眼底豹纹斑特征提取及特征指数确定的方法,包括如下步骤:
获取眼底图像;
将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的阈值,使用阈值分割方法对所述的置信概率进行分割,得到眼底豹纹斑特征区域图像;
确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,确定眼底豹纹斑密度。
在一些实施例中,还包括,获取眼底训练图像,选取眼底训练图像中任意两个通道相减获取训练样本;将所述训练样本输入深度学习网络模型中进行训练,获得所述豹纹斑特征提取模型。
在一些实施例中,所述根据预设的置信概率阈值,使用阈值分割方法对所述的置信概率进行分割,得到眼底豹纹斑特征区域图像,具体包括:
依据设置的置信概率阈值,使用语义网络分割算法对置信概率进行分割,将置信概率满足预设置信概率阈值的像素点判定为属于豹纹斑特征的像素点,对所述属于豹纹斑特征的像素点进行标记,输出眼底豹纹斑特征区域图像。
在一些实施例中,所述的将所述训练样本输入深度学习网络模型中进行训练,获取所述豹纹斑特征提取模型,具体包括:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量;
将所述不同层次的特征向量进行融合,获得融合特征向量;
将所述融合特征向量进行降维处理和重采样处理,获得所述训练样本图像上属于豹纹斑的特征向量,
通过所述豹纹斑特征向量,获取所述豹纹斑特征提取模型。
在一些实施例中,所述的通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量,具体包括:
S1:通过深度学习网络模型的卷积层进行特征提取以获取所述训练样本的特征向量;
S2:通过深度学习网络模型的池化层去除冗余的特征向量;
S3:通过深度学习网络模型的激活层将特征向量进行非线性化,以精准地确定属于豹纹斑特征的特征值的取值范围;
以上步骤S1至步骤S3不断迭代,每次迭代都会由浅及深输出不同层次的属于豹纹斑特征向量。
在一些实施例中,所述的确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,具体包括:
分别计算所述眼底图像区域像素点的个数和所述眼底豹纹斑特征区域图像的像素点的个数,通过计算所述每个像素点的面积获取所述第一区域面积和所述第二区域面积(也可以通过统计的像素的数量代表面积)。
在一些实施例中,所述的语义网络分割方法为U-net语义网络分割算法、U-net++语义网络分割算法、PSPNet、Deeplabv3、OCRNet、Fast-SCNN。
第二方面,本发明实施例提供了一种眼底豹纹斑特征提取及特征指数确定的装置,包括:
图像获取单元,用于获取眼底图像;
输入单元,用于将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
输出单元,根据预设的阈值,使用阈值分割方法对所述的置信概率进行分割,输出眼底豹纹斑特征区域图像;
面积确定单元,用于确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
计算单元,用于根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,计算眼底的豹纹斑密度。
第三方面,本发明实施例提供了一种眼底豹纹斑特征提取及特征指数确定的设备,其设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如下所述的眼底豹纹斑特征提取方法。
获取眼底图像;
将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的阈值,使用阈值分割方法对所述的置信概率进行分割,得到眼底豹纹斑特征区域图像;
确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,确定豹纹斑密度。
第四方面,本发明实施例提供了一种存储指令的计算机可读存储介质,其中,当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如下所述的眼底豹纹斑特征指数的确定方法:
获取眼底图像;
将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的置信概率阈值,使用阈值分割方法对所述置信概率进行分割,得到眼底豹纹斑特征区域图像;
确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,确定眼底的豹纹斑密度。
上述技术方案具有如下有益效果:
本发明提供了一种眼底豹纹斑特征提取及特征指数确定的方法、装置、设备和计算机可读存储介质,将获取的眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑状特征区域图像;确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;根据眼底图像的第一面积和豹纹斑特征区域图像的第二面积,确定眼底的豹纹斑密度。本发明实施例能够精细的提取眼底豹纹斑特征,并且能够精细的表示豹纹斑特征的显著程度,可以使医生精细的了解到眼底豹纹斑特征的情况以及变化情况,表现方式更加直观,由此可以辅助医生提高诊断效率,具有较强的实用性。
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一种眼底豹纹斑特征提取及特征指数确定的方法的流程图;
图2是本发明实施例提供的一种获取训练样本的眼底图像示意图;
图3是本发明实施例提供的一种眼底豹纹斑特征提取及特征指数确定的装置结构示意图;
图4是本发明实施例的一种电子设备的功能框图;
图5是本发明实施例的一种计算机可读存储介质的功能框图。
具体实施方式
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。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为实现上述目的,第一方面,本发明提供了一种眼底豹纹斑特征提取及特征指数确定的方法。图1是本发明实施例中一种眼底豹纹斑特征提取及特征指数确定的方法流程图,其具体包括如下步骤:
步骤S101:获取眼底图像。
作为一个举例说明,被筛查者的眼底图像为标准彩色眼底图像,来源通常是专用眼底摄像机拍摄出来的图片,眼底图片的尺寸要求长宽均超过1000像素。摄像机取景区域为圆形,在图片的中央显示,由于图片为矩形,需要周围填充入黑色像素组成完整的图像。
可选地,部分眼底图片截取中央重要部位,形成矩形的图片,避免了黑色的填充区域,可以作为图像输入。
步骤S102:将眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;
其中,置信概率(confidence probability)是用来衡量统计推断可靠程度的概率,其意义是指在进行统计推断时,被估参数包含在某一范围内的概率,也叫可信度。
本实施例中,置信概率是将眼底图像输入预先训练好的豹纹斑特征提取模型后,输出的眼底图像上的每个像素属于豹纹斑特征的概率。
在一些实施例中,步骤S102还包括:获取眼底训练图像,选取眼底训练图像中任意两个通道相减获取训练样本;将得到的训练样本输入深度学习网络模型中进行训练,获得豹纹斑特征提取模型。
附图2为获取训练样本的眼底图像示意图,图中,(a)为原始图像,(b)为感兴趣区域提取图像,(c)为去燥与归一化处理后的图像,(d)为增强后的图像,(e)为增强后标注的豹纹斑图像。在本实施例中,首先在对眼底训练图像进行预处理,包括提取感兴趣的区域、去燥、归一化和增强。提取感兴趣的区域是利用阈值分割方法去除眼底影像背景区域,减少后续提取脉络膜裸露区域时对特征提取的干扰;之后对其进行滤波去燥和归一化,减少拍摄和相机成像过程中噪声干扰以及亮度和颜色的偏差,使得眼底影像3个通道的灰度值均在统一范围内,并且使得眼底影像尺寸大小统一,提高后面特征提取的泛化性以及不同影像上脉络膜裸露区域在图像特征的稳定性,之后采用自适应直方图均衡化的方法对图像进行增强处理,使得的眼底脉络膜裸露区域特征更加凸显。
对图片进行预处理之后,选取处理后的眼底训练图像的任意两个通道相减,获取训练样本,具体的,眼底训练图像包括R通道图像、G通道图像、B通道图像,H通道图像、I通道图像、S通道图像,例如选取眼底训练图像中的R通道与G通道相减,也可以选取G通道与B通道相减,通过不断地试验,择优选取两个通道相减后的图像作为训练样本;在一些实施例中,还可以对训练样本做进一步人工修正,将修正后的图像作为训练样本。
在一些实施例中,将训练样本输入深度学习网络模型中进行训练,获取豹纹斑特征提取模型,包括:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量,本实施例中,获得不同层次的特征向量具体包括:
S1:通过深度学习网络模型的卷积层进行特征提取以获取训练样本的特征向量;
S2:通过深度学习网络模型的池化层去除冗余的特征向量;
S3:通过深度学习网络模型的激活层将特征向量进行非线性化,以精准地确定属于豹纹斑特征的特征值的取值范围;
以上步骤S1至步骤S3不断迭代,每次迭代都会由浅及深输出不同层次的属于豹纹斑特征向量。
将不同层次的特征向量进行融合,获得融合特征向量;
将融合特征向量进行降维处理和重采样处理,获得训练样本图像上属于豹纹斑的特征向量,
通过豹纹斑特征向量,获取豹纹斑特征提取模型。
在本实施例中,深度学习网络模型为CNN卷积神经网络模型。具体的,通过深度学习网络模型对训练样本进行多次采样,每次采样都会由浅及深输出不同层次的特征向量,获取不同层次的特征向量,将这些不同层次特征向量进行融合,输出融合特征向量,由于每次采样后输出的特征向量维度越来越高,所以需要对融合特征向量进行降维和重采样处理,具体包括对获取的高纬度的特征向量依次反卷积降维样处理,处理过后的特征向量的维度与拼接操作之前的维度相同,以便于进行下一次的采样及融合,直到最终能够与训练样本的维度相同,对降维后的特征向量进行采样及拼接,获取训练样本中属于豹纹斑特征向量,带有该特征向量的深度学习网络模型即为豹纹斑特征提取模型。
在一些可选的实施例中,采样层数为3层或4层,卷积层为多个3×3卷积核的卷积层、或多个4×4卷积核卷积层;激活层为一个或两个,激活函数为线性整流函数、sigmoid函数中的一种,池化层为最大池化层、平均池化层,具体参数可以依据不同的环境选择不同的参数。
步骤S103:根据预设的置信概率阈值,使用阈值分割方法对所述的置信概率进行分割,得到眼底豹纹斑特征区域图像。
将所有满足预设置信概率阈值的识别概率值对应的像素点在眼底输出图像中进行标记,从而得到这个区域识别结果中的识别区域,将识别区域和所有识别概率值确定为区域识别结果。
在本实施例中,依据设置的置信概率阈值,使用U-net网络语义分割算法对置信概率进行分割,将置信概率满足预设置信概率阈值的像素点判定为属于豹纹斑特征的像素点,对属于豹纹斑特征的像素点进行标记,即将属于豹纹斑特征的像素点的边界画出来或突出显示,易于直观的显示出属于豹纹斑特征的区域面积,获取眼底豹纹斑特征区域图像,此处,置信概率阈值的值可以依据实际情况来选去,阈值的值越大,敏感度越高。
在一些实施例中,使用的阈值分割法为U-net语义网络分割算法、U-net++语义网络分割算法、PSPNet、Deeplabv3、OCRNet或Fast-SCNN。
步骤S104:确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积。
本实施例中,眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积通过计算相应区域的像素点的个数来表示,即统计眼底图像区域和眼底豹纹斑特征区域所包括的像素点的个数,通过每一个像素点所占的面积来确定眼底图像的第一面积和豹纹斑区域图像的第二面积;作为一个举例说明,一般图像的分辨率是“像素/英寸”或“像素/厘米”,例如通常所说的72的分辨率就是指72像素/英寸,也就是说1英寸长度的位置包含72个像素,那1平方英寸面积就会有72X72=5184个像素。反之,我们也可以依据已知的像素点计算出这些像素点所占的区域面积。
步骤S105:根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,确定眼底的豹纹斑密度。
豹纹斑密度ρ为豹纹斑区域图像的第二面积S1与眼底图像的第一面积S的比值,即本实施例中,豹纹斑密度可以是眼底整体的豹纹斑,也可以是任一区域的豹纹斑密度,例如颞侧的豹纹斑密度,视盘范围1PD范围内的豹纹斑密度,除去视盘的豹纹斑密度等;也可以根据不同日期获得的多个豹纹斑密度,绘制豹纹斑密度变化曲线,便于观察豹纹状眼底的变化情况。
本发明通过将获取的眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑特征区域图像;确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,确定眼底的豹纹斑密度。本发明实施例能够精细的提取眼底豹纹斑特征,并且能够精细的表示豹纹斑特征的显著程度,可以使医生了解到患者眼底豹纹状的改变程度,表现方式更加直观,由此可以辅助医生提高诊断效率,具有较强的实用性。
第二方面,本发明一种眼底豹纹斑特征提取及特征指数确定的装置,图3是本发明实施例的一种豹纹斑特征指数的确定装置的结构示意图,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中,该装置300包括:
获取单元301,用于获取眼底图像;
输入单元302,将眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;
输出单元303,根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑特征区域图像;
面积确定单元304,确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;
计算单元305,根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,计算眼底的豹纹斑密度。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
第三方面,本发明提供了一种电子设备,图4是本发明提供的一种电子设备功能框图。如图4所示,设备包括:处理器401、通信接口402、存储器403、通信总线404,其中,处理器401、通信接口402、存储器403通过通信总线404完成相互间的通信。
存储器403用于存储有计算机程序;
处理器401用于执行存储器403上所存放的程序时,实现如下操作:
获取眼底图像;
将眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑特征区域图像;
确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;
根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,确定眼底的豹纹斑密度。
一种可能的设计中,处理器401执行的处理中,
获取眼底训练图像;
选取眼底训练图像中任意两个通道进行相减获取训练样本;
将训练样本输入深度学习网络模型中进行训练,获得豹纹斑特征提取模型。
一种可能的设计中,处理器401执行的处理中,根据预设的置信概率阈值,使用阈值分割方法对的置信概率进行分割,得到眼底豹纹斑特征区域图像,具体包括:
依据预设的置信概率阈值,使用语义网络分割算法对置信概率进行分割,将置信概率满足预设的信概率阈值的像素点判定为属于豹纹斑特征的像素点;
对属于豹纹斑特征的像素点进行标记,得到眼底豹纹斑特征区域图像。
一种可能的设计中,处理器401执行的处理中,将训练样本输入深度学习网络模型中进行训练,获取豹纹斑特征提取模型,具体包括:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量;
将不同层次的特征向量进行融合,获得融合特征向量;
将融合特征向量进行降维处理和重采样处理,获得训练样本图像上属于豹纹斑的特征向量;
通过豹纹斑特征向量,获取豹纹斑特征提取模型。
一种可能的设计中,处理器401执行的处理中,通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量,具体包括:
S1:通过深度学习网络模型的卷积层进行特征提取以获取训练样本的特征向量;
S2:通过深度学习网络模型的池化层去除冗余的特征向量;
S3:通过深度学习网络模型的激活层将特征向量进行非线性化,以精准地确定属于豹纹斑特征的特征值的取值范围;
以上步骤S1至步骤S3不断迭代,每次迭代都会由浅及深输出不同层次的属于豹纹斑斑特征向量。
一种可能的设计中,处理器401执行的处理中,确定眼底图像的第一面积和豹纹斑区域图像的第二面积,具体包括:
根据眼底图像包含的像素点的个数,确定第一面积;
根据眼底豹纹斑特征区域图像包含的像素点的个数,确定第二面积。
该设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
总线404包括硬件、软件或两者,用于将上述部件彼此耦接在一起。举例来说,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
存储器403可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
存储器403可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器403可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器403可包括可移除或不可移除(或固定)的介质。在特定实施例中,存储器403是非易失性固态存储器。在特定实施例中,存储器403包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
上述的处理器401可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本实施例中的电子设备,是根据本申请实施例的执行用于输出信息的方法的电子设备。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
第四方面,本发明实施例提供了一种计算机可读存储介质,附图5为计算机可读存储介质的功能框图。
一种计算机可读存储介质500,计算机可读存储介质500内存储有计算机程序501,计算机程序501被处理器执行时实现上述眼底豹纹斑特征提取和特征指数确定的方法的各步骤,包括:
获取眼底图像;
将眼底图像输入预先训练好的豹纹斑特征提取模型,获得眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,输出眼底豹纹斑特征区域图像;
确定眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积;
根据眼底图像的第一面积和眼底豹纹斑特征区域图像的第二面积,计算豹纹斑密度。
在一些实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:
获取眼底训练图像;
选取眼底训练图像中任意两个通道进行相减获取训练样本;
将训练样本输入深度学习网络模型中进行训练,获得豹纹斑特征提取模型。
在一些实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:
根据预设的置信概率阈值,使用阈值分割方法对置信概率进行分割,得到眼底豹纹斑特征区域图像,具体包括:
依据预设的置信概率阈值,使用语义网络分割算法对置信概率进行分割,将置信概率满足预设的信概率阈值的像素点判定为属于豹纹斑特征的像素点;
对属于豹纹斑特征的像素点进行标记,得到眼底豹纹斑特征区域图像。
在一些实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:
将训练样本输入深度学习网络模型中进行训练,获取豹纹斑特征提取模型,具体包括:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量;
将不同层次的特征向量进行融合,获得融合特征向量;
将融合特征向量进行降维处理和重采样处理,获得训练样本图像上属于豹纹斑的特征向量;
通过豹纹斑特征向量,获取豹纹斑特征提取模型。
在一些实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量,具体包括:
S1:通过深度学习网络模型的卷积层进行特征提取以获取训练样本的特征向量;
S2:通过深度学习网络模型的池化层去除冗余的特征向量;
S3:通过深度学习网络模型的激活层将特征向量进行非线性化,以精准地确定属于豹纹斑特征的特征值的取值范围;
以上步骤S1至步骤S3不断迭代,每次迭代都会由浅及深输出不同层次的属于豹纹斑状特征向量。深度学习网络模型为CNN卷积神经网络模型。
在一些实施例中,存储介质还被设置为存储用于执行以下步骤的程序代码:
确定眼底图像的第一面积和豹纹斑区域图像的第二面积,具体包括:
根据眼底图像包含的像素点的个数,确定第一面积;
根据眼底豹纹斑特征区域图像包含的像素点的个数,确定第二面积。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。当然,还有其他方式的可读存储介质,例如量子存储器、石墨烯存储器等等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或终端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。
本发明是参照根据本发明实施例的方法、装置、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、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/或方框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/或方框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/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,在本文中的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种眼底豹纹斑特征提取及特征指数确定的方法,其特征在于,包括如下步骤:
获取眼底图像;
将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得不同层次的特征向量,将所述不同层次的特征向量进行融合,获得融合特征向量,根据所述融合特征向量,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
根据预设的置信概率阈值,使用阈值分割方法对所述置信概率进行分割,得到眼底豹纹斑特征区域图像;
确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,确定眼底豹纹斑密度。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取眼底训练图像;
选取所述眼底训练图像中任意两个通道进行相减获取训练样本;
将所述训练样本输入深度学习网络模型中进行训练,获得所述豹纹斑特征提取模型。
3.根据权利要求1所述的方法,其特征在于,
所述根据预设的置信概率阈值,使用阈值分割方法对所述的置信概率进行分割,得到眼底豹纹斑特征区域图像,具体包括:
依据预设的置信概率阈值,使用语义网络分割算法对所述置信概率进行分割,将所述置信概率满足所述预设的置信概率阈值的像素点判定为属于豹纹斑特征的像素点;
对所述属于豹纹斑特征的像素点进行标记,得到所述眼底豹纹斑特征区域图像。
4.根据权利要求2所述的方法,其特征在于,
所述的将所述训练样本输入深度学习网络模型中进行训练,获取所述豹纹斑特征提取模型,具体包括:
通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量;
将所述不同层次的特征向量进行融合,获得融合特征向量;
将所述融合特征向量进行降维处理和重采样处理,获得所述训练样本图像上属于豹纹斑的特征向量;
通过所述豹纹斑特征向量,获取所述豹纹斑特征提取模型。
5.根据权利要求4所述的方法,其特征在于,
所述的通过深度学习网络模型对输入的训练样本进行特征提取,获得不同层次的特征向量,具体包括:
S1:通过深度学习网络模型的卷积层进行特征提取以获取所述训练样本的特征向量;
S2:通过深度学习网络模型的池化层去除冗余的特征向量;
S3:通过深度学习网络模型的激活层将特征向量进行非线性化,以更精准地确定属于豹纹斑特征的特征值的取值范围;
以上步骤S1至步骤S3不断迭代,每次迭代都会由浅及深输出不同层次的属于豹纹斑特征的特征向量。
6.根据权利要求1所述的方法,其特征在于,
所述的确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,具体包括:
根据所述眼底图像包含的像素点的个数,确定所述第一面积;
根据所述眼底豹纹斑特征区域图像包含的像素点的个数,确定所述第二面积。
7.根据权利要求3所述的方法,其特征在于:
所述的语义网络分割算法包括:U-net语义网络分割算法、U-net++语义网络分割算法、PSPNet、Deeplabv3、OCRNet、Fast-SCNN。
8.一种眼底豹纹斑特征提取及特征指数确定的装置,其特征在于,包括:
获取单元,用于获取眼底图像;
输入单元,将所述眼底图像输入预先训练好的豹纹斑特征提取模型,获得不同层次的特征向量,将所述不同层次的特征向量进行融合,获得融合特征向量,根据所述融合特征向量,获得所述眼底图像上每个像素属于豹纹斑特征的置信概率;
输出单元,根据预设的置信概率阈值,使用阈值分割方法对所述的置信概率进行分割,输出眼底豹纹斑特征区域图像;
面积确定单元,确定所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积;
计算单元,根据所述眼底图像的第一面积和所述眼底豹纹斑特征区域图像的第二面积,计算眼底的豹纹斑密度。
9.一种电子设备,其特征在于,所述设备包括:
处理器;
存储器,存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1-7中的任一项所述的眼底豹纹斑特征提取及特征指数确定方法。
10.一种存储指令的计算机可读存储介质,其中,
当所述指令被至少一个计算装置运行时,促使所述至少一个计算装置执行如权利要求1-7中的任意一项眼底豹纹斑特征提取及特征指数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695285.5A CN113344894B (zh) | 2021-06-23 | 2021-06-23 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110695285.5A CN113344894B (zh) | 2021-06-23 | 2021-06-23 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344894A CN113344894A (zh) | 2021-09-03 |
CN113344894B true CN113344894B (zh) | 2024-05-14 |
Family
ID=77477654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110695285.5A Active CN113344894B (zh) | 2021-06-23 | 2021-06-23 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344894B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113768461B (zh) * | 2021-09-14 | 2024-03-22 | 北京鹰瞳科技发展股份有限公司 | 一种眼底图像分析方法、系统和电子设备 |
CN115588100B (zh) * | 2022-12-09 | 2023-03-14 | 温州谱希基因科技有限公司 | 基于深度学习的豹纹斑自动分级方法、系统及设备 |
CN116491892B (zh) * | 2023-06-28 | 2023-09-22 | 依未科技(北京)有限公司 | 近视眼底改变评估方法、装置和电子设备 |
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109427052A (zh) * | 2017-08-29 | 2019-03-05 | 中国移动通信有限公司研究院 | 基于深度学习处理眼底图像的相关方法及设备 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
WO2019206209A1 (zh) * | 2018-04-26 | 2019-10-31 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
WO2019206208A1 (zh) * | 2018-04-26 | 2019-10-31 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
CN110400289A (zh) * | 2019-06-26 | 2019-11-01 | 平安科技(深圳)有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
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 |
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111709966A (zh) * | 2020-06-23 | 2020-09-25 | 上海鹰瞳医疗科技有限公司 | 眼底图像分割模型训练方法及设备 |
WO2021051519A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 识别模型训练、眼底特征的识别方法、装置、设备及介质 |
CN112545452A (zh) * | 2020-12-07 | 2021-03-26 | 南京医科大学眼科医院 | 高度近视眼底病变风险预测方法 |
CN112883962A (zh) * | 2021-01-29 | 2021-06-01 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备、存储介质以及程序产品 |
-
2021
- 2021-06-23 CN CN202110695285.5A patent/CN113344894B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN109427052A (zh) * | 2017-08-29 | 2019-03-05 | 中国移动通信有限公司研究院 | 基于深度学习处理眼底图像的相关方法及设备 |
WO2019206209A1 (zh) * | 2018-04-26 | 2019-10-31 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
WO2019206208A1 (zh) * | 2018-04-26 | 2019-10-31 | 上海鹰瞳医疗科技有限公司 | 基于机器学习的眼底图像检测方法、装置及系统 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110197493A (zh) * | 2019-05-24 | 2019-09-03 | 清华大学深圳研究生院 | 眼底图像血管分割方法 |
CN110400289A (zh) * | 2019-06-26 | 2019-11-01 | 平安科技(深圳)有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
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 |
WO2021051519A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技(深圳)有限公司 | 识别模型训练、眼底特征的识别方法、装置、设备及介质 |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111709966A (zh) * | 2020-06-23 | 2020-09-25 | 上海鹰瞳医疗科技有限公司 | 眼底图像分割模型训练方法及设备 |
CN112545452A (zh) * | 2020-12-07 | 2021-03-26 | 南京医科大学眼科医院 | 高度近视眼底病变风险预测方法 |
CN112883962A (zh) * | 2021-01-29 | 2021-06-01 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备、存储介质以及程序产品 |
Non-Patent Citations (2)
Title |
---|
Leopard-Spot Subretinal Deposits in Central Serous Chorioretinopathy;Marchese et al.;《RETINA-THE JOURNAL OF RETINAL AND VITREOUS DISEASES》;全文 * |
豹纹状眼底在近视性黄斑病变中的相关研究进展;吕含怡 等;《临床眼科杂志》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113344894A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344894B (zh) | 眼底豹纹斑特征提取及特征指数确定的方法和装置 | |
US10531825B2 (en) | Thresholding methods for lesion segmentation in dermoscopy images | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Sopharak et al. | Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images | |
CN109544540B (zh) | 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 | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
Sánchez et al. | Mixture model-based clustering and logistic regression for automatic detection of microaneurysms in retinal images | |
CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
Haloi et al. | A Gaussian scale space approach for exudates detection, classification and severity prediction | |
Khojasteh et al. | Introducing a novel layer in convolutional neural network for automatic identification of diabetic retinopathy | |
CN112017185A (zh) | 病灶分割方法、装置及存储介质 | |
Tavakoli et al. | Unsupervised automated retinal vessel segmentation based on Radon line detector and morphological reconstruction | |
CN115760858A (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
Sagar et al. | A novel integrated approach using dynamic thresholding and edge detection (idted) for automatic detection of exudates in digital fundus retinal images | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 | |
Nugroho et al. | Optic cup segmentation using adaptive threshold and morphological image processing | |
US10617294B1 (en) | System and method for determining the spherical power of eyes based on measured refractive error | |
Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
Saha et al. | A novel method for correcting non-uniform/poor illumination of color fundus photographs | |
Mathias et al. | Categorization of diabetic retinopathy and identification of characteristics to assist effective diagnosis | |
CN110675402A (zh) | 一种基于内窥镜图像的结直肠息肉分割方法 | |
Welikala et al. | Differing matched filter responsivity for the detection of proliferative diabetic retinopathy | |
Ali et al. | Automatic Detection of Retinal Optic Disc using Vessel Inpainting |
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 |