CN113487582A - 图像评估方法及装置、计算机可读存储介质及电子设备 - Google Patents
图像评估方法及装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN113487582A CN113487582A CN202110810530.2A CN202110810530A CN113487582A CN 113487582 A CN113487582 A CN 113487582A CN 202110810530 A CN202110810530 A CN 202110810530A CN 113487582 A CN113487582 A CN 113487582A
- Authority
- CN
- China
- Prior art keywords
- evaluated
- fundus image
- cup
- nerve fiber
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Geometry (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请提供了一种图像评估方法及装置、计算机可读存储介质及电子设备,涉及图像处理技术领域。该图像评估方法包括:确定待评估眼底图像对应的视杯视盘特征信息;确定所述待评估眼底图像对应的神经纤维损伤信息;基于所述视杯视盘特征信息和所述神经纤维损伤信息确定所述待评估眼底图像对应的青光眼评估信息。本申请根据视杯视盘特征信息进一步结合神经纤维损伤面积,对青光眼早期风险、青光眼严重程度及变化程度等进行智能评估,从而帮助医生更准确地进行青光眼诊断。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种图像评估方法及装置、计算机可读存储介质及电子设备。
背景技术
由于青光眼造成的视力损伤是不可逆的,所以早期对于青光眼的评估与诊断是至关重要的。在目前的临床诊断中,眼科医生主要通过观察眼底图像异常情况做出判断。例如视杯过大,导致视杯视盘的比例过大,则被检查者很可能患有青光眼,其中的杯盘比一般为视杯和视盘的垂直直径比。
但是,眼科医生肉眼或者借助拍摄设备估算或手动测量杯盘比或者盘沿形态的方式主观性很强,存在评估信息不全面导致医生的诊断结果不够准确的问题。
发明内容
为了解决上述技术问题,提出了本申请。本申请实施例提供了一种图像评估方法及装置、计算机可读存储介质及电子设备。
第一方面,本申请一实施例提供了一种图像评估方法,包括:确定待评估眼底图像对应的视杯视盘特征信息;确定待评估眼底图像对应的神经纤维损伤信息;基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。
结合第一方面,在第一方面的某些实现方式中,神经纤维损伤信息包括神经纤维损伤区域面积信息,确定待评估眼底图像对应的神经纤维损伤信息,包括:提取待评估眼底图像对应的神经纤维损伤区域;计算神经纤维损伤区域对应的神经纤维损伤区域面积信息。
结合第一方面,在第一方面的某些实现方式中,提取待评估眼底图像对应的神经纤维损伤区域,包括:利用神经纤维损伤区域检测模型检测待评估眼底图像对应的损伤区域;利用边缘检测算法确定损伤区域对应的边缘信息;基于损伤区域和边缘信息确定神经纤维损伤区域。
结合第一方面,在第一方面的某些实现方式中,提取待评估眼底图像对应的神经纤维损伤区域,包括:利用神经纤维损伤区域分割模型分割待评估眼底图像,得到神经纤维损伤区域。
结合第一方面,在第一方面的某些实现方式中,确定待评估眼底图像对应的视杯视盘特征信息,包括:提取待评估眼底图像对应的视杯区域和视盘区域;基于视杯区域和视盘区域确定视杯视盘特征信息,其中,视杯视盘特征信息包括杯盘比信息和/或盘沿距离信息。
结合第一方面,在第一方面的某些实现方式中,提取待评估眼底图像对应的视杯区域和视盘区域,包括:利用视杯视盘分割模型分割待评估眼底图像,得到视杯区域和视盘区域;或者,利用视杯视盘检测模型对待评估眼底图像检测后进行边缘提取以确定视杯区域和视盘区域。
结合第一方面,在第一方面的某些实现方式中,在确定待评估眼底图像对应的视杯视盘特征信息之前,还包括:对待评估眼底图像进行预处理操作,预处理操作包括感兴趣区域提取操作、去噪处理操作、归一化处理操作和增强处理操作中的至少一种。
结合第一方面,在第一方面的某些实现方式中,青光眼评估信息包括患青光眼风险信息和/或青光眼严重程度信息和/或青光眼视野缺失程度信息和/或青光眼视野变化信息。
第二方面,本申请一实施例提供了一种图像评估装置,包括:第一确定模块,用于确定待评估眼底图像对应的视杯视盘特征信息;第二确定模块,用于确定待评估眼底图像对应的神经纤维损伤信息;第三确定模块,用于基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。
第三方面,本申请一实施例提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序用于执行上述任一实施例所提及的图像评估方法。
第四方面,本申请一实施例提供了一种电子设备,该电子设备包括:处理器;用于存储处理器可执行指令的存储器;该处理器用于执行上述任一实施例所提及的图像评估方法。
本申请实施例提供的图像评估方法,通过确定待评估眼底图像对应的视杯视盘特征信息以及神经纤维损伤信息;基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息的方式,实现了对患者眼底图像进行智能评估的目的。根据视杯视盘特征信息结合神经纤维损伤面积,对青光眼早期风险、青光眼严重程度及变化程度进行智能评估,并进一步评估青光眼患者的眼底变化特别是视野变化,从而帮助医生更准确地进行青光眼诊断。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所适用的一场景示意图。
图2所示为本申请实施例所适用的另一场景示意图。
图3所示为本申请一示例性实施例提供的图像评估方法的流程示意图。
图4所示为本申请一示例性实施例提供的确定待评估眼底图像对应的神经纤维损伤信息的流程示意图。
图5所示为本申请一示例性实施例提供的提取待评估眼底图像对应的神经纤维损伤区域的流程示意图。
图6所示为本申请另一示例性实施例提供的确定待评估眼底图像对应的神经纤维损伤信息的流程示意图。
图7所示为本申请一示例性实施例提供的经提取操作得到的神经纤维损伤区域。
图8所示为本申请另一示例性实施例提供的经提取操作得到的神经纤维损伤区域。
图9所示为本申请一示例性实施例提供的确定待评估眼底图像对应的视杯视盘特征信息的流程示意图。
图10所示为本申请另一示例性实施例提供的确定待评估眼底图像对应的视杯视盘特征信息的流程示意图。
图11所示为本申请一示例性实施例提供的经提取操作得到的视杯区域和视盘区域。
图12所示为本申请一示例性实施例提供的对待评估眼底图像进行预处理操作的流程示意图。
图13所示为本申请一示例性实施例提供的图像评估装置的结构示意图。
图14所示为本申请另一示例性实施例提供的图像评估装置的结构示意图。
图15所示为本申请一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
图1所示为本申请实施例所适用的一场景示意图。如图1所示,本申请实施例所适用的场景中包括服务器1和图像采集设备2,其中,服务器1和图像采集设备2之间存在通信连接关系。
具体而言,图像采集设备2用于采集待评估眼底图像,服务器1用于基于图像采集设备2采集的待评估眼底图像确定待评估眼底图像对应的视杯视盘特征信息和神经纤维损伤信息,继而基于视杯视盘特征信息和神经纤维损伤信息确定评估眼底图像对应的青光眼评估信息。即,该场景实现了一种图像评估方法。
由于图1所示的上述场景利用服务器1实现了图像评估方法,因此,该场景不但能够提高场景的适应能力,而且能够有效降低图像采集设备2的计算量。
需要说明的是,本申请还适用于另一场景。图2所示为本申请实施例所适用的另一场景示意图。具体地,该场景中包括图像处理设备3,其中,图像处理设备3包括图像采集模块301和计算模块302,并且,图像采集模块301和计算模块302之间存在通信连接关系。
具体而言,图像处理设备3中的图像采集模块301用于采集待评估眼底图像,图像处理设备3中的计算模块302用于基于图像采集模块301采集的待评估眼底图像确定待评估眼底图像对应的视杯视盘特征信息和神经纤维损伤信息,继而基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。即,该场景实现了一种图像评估方法。
由于图2所示的上述场景利用图像处理设备3实现了图像评估方法,无需与服务器等相关装置进行数据传输操作,因此,图2所示的上述场景能够保证图像评估方法的实时性。
图3所示为本申请一示例性实施例提供的图像评估方法的流程示意图。具体地,本申请实施例提供的图像评估方法应用于待评估眼底图像。
如图3所示,本申请实施例提供的图像评估方法包括如下步骤。
步骤10,确定待评估眼底图像对应的视杯视盘特征信息。
步骤10中提及的待评估眼底图像,指的是拍摄当前患者的眼底图像。视杯视盘特征信息用于表征青光眼严重程度及变化程度。由于视杯视盘特征信息是眼底图像共有的特征信息,因此,本申请实施例提供的图像评估方法能够适用于所有的眼底图像,具有普适性。
步骤20,确定待评估眼底图像对应的神经纤维损伤信息。
步骤20中提及的神经纤维损伤信息用于表征待评估眼底图像的视野变化程度和视野损伤程度。神经纤维损伤信息包含待评估眼底图像中视神经纤维损失或缺损的信息。正常的视网膜神经纤维层在视盘周围区域呈放射状走行的细微白色绒状。但在生理状态时,随着年龄增长以及近视程度的增加等因素影响,视网膜神经纤维层趋向于弥漫性变薄。青光眼的局限性一般表现为楔状的视网膜神经纤维层变薄或缺失,随着病情进展缺损的宽度和程度不断加重。本申请实施例通过确定神经纤维损伤信息,不仅能够为青光眼最早期的医生诊断提供依据,还可以根据视野变化程度和视野损伤程度,进一步辅助医生判断病情是否加重。
步骤30,基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。
在实际应用过程中,首先确定待评估眼底图像对应的视杯视盘特征信息,然后确定待评估眼底图像对应的神经纤维损伤信息,最后基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。对于青光眼早期风险来说,神经纤维损伤信息为青光眼最早期诊断提供了依据。视杯视盘特征信息在青光眼评估中有一定专业性及特异性,将上述两种信息结合起来,能显著提高青光眼的早期检出率,有利于青光眼疾病的筛查。在疾病评估过程中,通过待评估眼底图像对青光眼患者的严重程度、变化程度以及视神经损害程度进行智能分析和评估,从而帮助医生更准确地进行青光眼诊断。
本申请实施例提供的图像评估方法,通过基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息的方式,实现了智能评估眼底图像的目的。此外,本申请实施例有效解决了临床应用场景中所面临的青光眼评估信息不全面导致医生的诊断结果不够准确的问题。
图4所示为本申请一示例性实施例提供的确定待评估眼底图像对应的神经纤维损伤信息的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图4所示实施例,下面着重叙述图4所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图4所示,在本申请实施例提供的图像评估方法中,神经纤维损伤信息包括神经纤维损伤区域面积信息,确定待评估眼底图像对应的神经纤维损伤信息步骤包括如下步骤。
步骤21,提取待评估眼底图像对应的神经纤维损伤区域。
示例性地,步骤21中提及的神经纤维损伤区域用于表征患者视神经损害或缺损的区域。神经纤维损伤区域可以通过特征提取算法进行提取。具体地,利用损伤区域的亮度信息、形态信息或者位置信息,对损伤区域进行删减操作,从而确定待评估眼底图像对应的神经纤维损伤区域。
步骤22,计算神经纤维损伤区域对应的神经纤维损伤区域面积信息。
示例性地,步骤22中提及的神经纤维损伤区域面积信息用于表征青光眼患者的变化特别是视野变化程度和视野损伤程度。神经纤维损伤信息包括神经纤维损伤区域面积信息。神经纤维损伤区域面积信息即反映患者视野缺失的程度。根据步骤21中提取的神经纤维损伤区域计算求得神经纤维损伤区域面积信息,从而确定待评估眼底图像对应的神经纤维损伤信息。通过神经纤维损伤信息对待评估眼底图像进行青光眼评估,若神经纤维损伤区域面积过大并超出正常值,则说明患者的视神经纤维的损失程度大,视野严重缺损。
本申请实施例提供的图像评估方法,通过提取待评估眼底图像对应的神经纤维损伤区域,然后计算神经纤维损伤区域对应的神经纤维损伤区域面积信息,实现了确定待评估眼底图像对应的神经纤维损伤信息的目的。由于基于神经纤维损伤区域计算神经纤维损伤区域面积信息的操作能够有效获取与待评估眼底图像病变有关的信息,因此,本申请实施例能够获取神经纤维损伤信息,进而客观精确评估眼底图像视野变化的程度。
图5所示为本申请一示例性实施例提供的提取待评估眼底图像对应的神经纤维损伤区域的流程示意图。在本申请图4所示实施例的基础上延伸出本申请图5所示实施例,下面着重叙述图5所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图5所示,在本申请实施例提供的图像评估方法中,提取待评估眼底图像对应的神经纤维损伤区域步骤还包括如下步骤。
步骤211,利用神经纤维损伤区域检测模型检测待评估眼底图像对应的损伤区域。
示例性地,将待评估眼底图像输入预设的神经纤维损伤区域检测模型,神经纤维损伤区域检测模型用于检测并定位待评估眼底图像对应的损伤区域。通过采用训练好的神经纤维损伤区域检测模型对待评估眼底图像中的损伤区域进行定位,能够在确定神经纤维损伤区域之前首先检测出损伤区域的位置,损伤区域为包含有神经纤维损伤区域的候选区域。
步骤212,利用边缘检测算法确定损伤区域对应的边缘信息;基于损伤区域和边缘信息确定神经纤维损伤区域。
示例性地,步骤11中提及的边缘检测算法包括如下中的任意一种或任意多种的组合:Laplace算子、角点检测算法、Canny算子、Sobel算子。通过对确定的损伤区域进行边缘提取操作,获得损伤区域对应的边缘信息,基于损伤区域和边缘信息进一步确定最终的神经纤维损伤区域。其中,利用边缘检测算法获取损伤区域对应的边缘,从而得到损伤区域的亚像素级边缘。需要说明的是,本申请实施例对确定损伤区域对应的边缘信息的边缘检测算法不进行统一限定。
本申请实施例提供的图像评估方法,通过利用神经纤维损伤区域检测模型检测待评估眼底图像对应的损伤区域,然后利用边缘检测算法确定损伤区域对应的边缘信息;基于损伤区域和边缘信息确定神经纤维损伤区域,实现了确定待评估眼底图像对应的神经纤维损伤区域的目的。由于利用神经纤维损伤区域检测模型检测待评估眼底图像对应的损伤区域能够提前定位出损伤区域即候选区域,在损伤区域中进一步提取边缘确定最终的神经纤维损伤区域,实现了对待评估眼底图像中的神经纤维损伤区域进行检测和定位的目的。另外,确定损伤区域对应的边缘信息通过图像边缘亚像素检测算法,具备良好的抗噪性能与亚像素精确定位能力,从而得到损伤区域的亚像素级边缘。因此,本申请实施例能够提高获取神经纤维损伤区域的精准度,进而提高评估眼底图像视野变化的精准度。
在本申请其他实施例中,首先基于预设的神经网络模型,利用标注好的样本图像(包括眼底图像及其对应的神经纤维损伤区域图像)对该神经网络模型进行训练,以生成神经纤维损伤区域检测模型。可选地,神经网络可以为卷积神经网络(Convolutional NeuralNetwork,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(RecurrentNeural Network,RNN)等。本申请实施例对此不做具体限定。神经纤维损伤区域检测模型用于基于待评估眼底图像检测待评估眼底图像对应的损伤区域。将待评估眼底图像输入训练好的神经纤维损伤区域检测模型,神经纤维损伤区域检测模型检测并定位待评估眼底图像对应的损伤区域。通过采用训练好的神经纤维损伤区域检测模型对待评估眼底图像中的损伤区域进行定位,能够有效提取待评估眼底图像对应的损伤区域,进而为青光眼诊断提供辅助信息。
图6所示为本申请另一示例性实施例提供的确定待评估眼底图像对应的神经纤维损伤信息的流程示意图。在本申请图4所示实施例的基础上延伸出本申请图6所示实施例,下面着重叙述图6所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图6所示,在本申请实施例提供的图像评估方法中,提取待评估眼底图像对应的神经纤维损伤区域步骤还包括如下步骤。
步骤213,利用神经纤维损伤区域分割模型分割待评估眼底图像,得到神经纤维损伤区域。
示例性地,在获取到患者的待评估眼底图像后,将待评估眼底图像输入到预先训练好的神经纤维损伤区域分割模型中,从而得到神经纤维损伤区域。
本申请实施例提供的图像评估方法,利用神经纤维损伤区域分割模型分割待评估眼底图像,得到神经纤维损伤区域,然后计算神经纤维损伤区域对应的神经纤维损伤区域面积信息,实现了确定待评估眼底图像对应的神经纤维损伤信息的目的。通过利用神经纤维损伤区域分割模型对待评估眼底图像进行分割,获得神经纤维损伤区域的分割结果,从而依据神经纤维损伤区域的分割结果,进一步评估眼底图像视野变化的程度。
在本申请其他实施例中,首先基于预设神经网络模型,利用标注好的样本图像(包括眼底图像及其对应的神经纤维损伤区域图像)对该神经网络模型进行训练,以生成神经纤维损伤区域分割模型。可选地,神经网络可以为卷积神经网络(Convolutional NeuralNetwork,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(RecurrentNeural Network,RNN),U-net等。本申请实施例对此不做具体限定。
图7所示为本申请一示例性实施例提供的经提取操作得到的神经纤维损伤区域。图8所示为本申请另一示例性实施例提供的经提取操作得到的神经纤维损伤区域。如图7和图8所示,待评估眼底图像可以是通过通用或专用的拍摄设备拍摄的待评估对象的眼球底部所得到的图像。待评估眼底图像可以包括视杯视盘区域1和神经纤维损伤区域2。如图7所示,待评估眼底图像中的神经纤维损伤区域2的数量为一个。如图8所示,待评估眼底图像中的神经纤维损伤区域2的数量为两个。神经纤维损伤区域2均通过标注框进行标记显示。神经纤维损伤区域2能够直观地反映待评估眼底图像中受损神经纤维的面积。通过受损神经纤维的面积大小进一步评估待评估眼底图像的视野变化程度和视野损伤程度。待评估眼底图像可以是模拟图像,也可以是数字图像。神经纤维损伤区域2的数量可以是1个,也可以是多个。本申请不做具体限定。
图9所示为本申请一示例性实施例提供的确定待评估眼底图像对应的视杯视盘特征信息的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图9所示实施例,下面着重叙述图9所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图9所示,在本申请实施例提供的图像评估方法中,确定待评估眼底图像对应的视杯视盘特征信息步骤还包括如下步骤。
步骤11,提取待评估眼底图像对应的视杯区域和视盘区域。
示例性地,步骤11中提及的提取待评估眼底图像对应的视杯区域和视盘区域可以通过深度学习或者计算机视觉技术。
步骤12,基于视杯区域和视盘区域确定视杯视盘特征信息,其中,视杯视盘特征信息包括杯盘比信息和/或盘沿距离信息。
示例性地,步骤12中提到的杯盘比是待评估眼底图像中视杯与视盘的比值,反映了眼底视杯和视盘的状态。杯盘比一般为视杯和视盘的垂直直径比。本申请实施例中的杯盘比还可以包括水平杯盘比和面积杯盘比。本申请不做具体限定。当被检查者的待评估眼底图像中的视杯过大时,导致视杯与视盘的比例过大,由此可以判断被检查者很可能患有青光眼。
示例性地,步骤12中提到的盘沿距离信息为视盘视杯盘沿宽度信息。盘沿宽度包括上方盘沿宽度、下方盘沿宽度、鼻侧盘沿宽度以及颞侧盘沿宽度。正常中等大小的视盘其盘沿宽度一般遵循ISNT原则。即下方(I)盘沿最宽,其次为上方(S)盘沿,再次为鼻侧(N)盘沿、颞侧(T)盘沿最窄。当颞下方或颞上方盘沿相对鼻侧盘沿宽度变窄时,属于青光眼改变。进一步结合神经纤维损伤信息,来判断被检查者的视神经是否已经造成损伤、视野是否有不正常的缺损。如果视神经受损和视野缺损,被检查者可以诊断为青光眼。
图10所示为本申请另一示例性实施例提供的确定待评估眼底图像对应的视杯视盘特征信息的流程示意图。在本申请图9所示实施例的基础上延伸出本申请图10所示实施例,下面着重叙述图10所示实施例与图9所示实施例的不同之处,相同之处不再赘述。
如图10所示,在本申请实施例提供的图像评估方法中,提取待评估眼底图像对应的视杯区域和视盘区域步骤包括如下步骤。
步骤111,利用视杯视盘分割模型分割待评估眼底图像,得到视杯区域和视盘区域。
示例性地,步骤111中提及的视杯视盘分割模型是基于神经网络对具有视杯和视盘标注信息的样本图像数据进行模型训练得到。将待评估眼底图像输入预设的视杯视盘分割模型,以得到预测的视杯视盘分割图像,根据视杯视盘图像确定视杯区域和视盘区域。
在本申请其他实施例中,也可以将待评估眼底图像输入到预先训练好的视盘分割模型中,获取待评估眼底图像的视盘区域。将待评估眼底图像输入到训练好的视杯分割模型中,获取待评估眼底图像的视杯区域。本申请不做具体限定。
步骤112,或者利用视杯视盘检测模型对待评估眼底图像检测后进行边缘提取以确定视杯区域和视盘区域。
示例性地,获取待评估眼底图像,将待评估眼底图像输入预设的视杯视盘检测模型,视杯视盘检测模型用于对待评估眼底图像进行视杯视盘区域检测和定位,得到视杯视盘候选区域,利用边缘提取算子对视杯视盘候选区域进行边缘检测,得到视盘区域的边界信息和视杯区域的边界信息,基于边界信息确定视杯区域和视盘区域。
在实际应用过程中,首先利用视杯视盘分割模型分割待评估眼底图像,得到视杯区域和视盘区域,或者利用视杯视盘检测模型对待评估眼底图像检测后进行边缘提取以确定视杯区域和视盘区域,然后基于视杯区域和视盘区域确定视杯视盘特征信息,其中,视杯视盘特征信息包括杯盘比信息和/或盘沿距离信息。
在本申请其他实施例中,还可以利用视杯分割模型分割待评估眼底图像,得到视杯区域,然后通过视盘检测模型对待评估眼底图像检测后进行边缘提取以确定视盘区域,从而最终确定视杯区域和视盘区域。本申请对此不做限定。
本申请实施例提供的图像评估方法,通过利用视杯视盘分割模型分割待评估眼底图像,或者利用视杯视盘检测模型对待评估眼底图像检测后进行边缘提取,实现了基于待评估眼底图像确定视杯区域和视盘区域的目的。通过利用视杯视盘分割模型对待评估眼底图像进行分割,获取视杯区域和视盘区域的分割结果,进而基于视杯区域和视盘区域的分割结果能够进一步确定青光眼评估信息。利用视杯视盘检测模型对待评估眼底图像检测后,通过图像边缘亚像素检测算法进行边缘提取,具备良好的抗噪性能与亚像素精确定位能力,计算量相对较少,能快速实现待评估眼底图像的亚像素边缘检测。因此,本申请实施例能够实现基于待评估眼底图像确定视杯区域和视盘区域的目的,为后续的青光眼诊断提供参考信息。
在本申请其他实施例中,首先基于预设的神经网络模型,利用标注好的样本图像(包括眼底图像及其对应的视盘视杯图像)对该神经网络模型进行训练,以生成视杯视盘分割模型,视杯视盘分割模型用于基于待评估眼底图像分割以得到预测的视杯视盘分割图像,根据视杯视盘图像确定视杯区域和视盘区域。可选地,神经网络可以为卷积神经网络(Convolutional Neural Network,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(Recurrent Neural Network,RNN),U-net等。本申请实施例对此不做具体限定。
在本申请其他实施例中,首先基于预设的神经网络模型,利用标注好的样本图像(包括眼底图像及其对应的视杯视盘图像)对该神经网络模型进行训练,以生成视杯视盘检测模型,视杯视盘检测模型用于基于待评估眼底图像检测待评估眼底图像对应的视杯区域和视盘区域。将待评估眼底图像输入训练好的视杯视盘检测模型,视杯视盘检测模型检测并定位待评估眼底图像对应的视杯区域和视盘区域。可选地,神经网络可以为卷积神经网络(Convolutional Neural Network,CNN)、深度神经网络(Deep Neural Network,DNN)或循环神经网络(Recurrent Neural Network,RNN),U-net等。本申请实施例对此不做具体限定。
图11所示为本申请一示例性实施例提供的经提取操作得到的视杯区域和视盘区域。如图11所示,待评估眼底图像可以是通过通用或专用的拍摄设备拍摄的待评估对象的眼球底部所得到的图像。待评估眼底图像包括视杯区域10和视盘区域11。视杯区域10和视盘区域11均通过圆圈进行标注显示。视杯区域10和视盘区域11能够直观地反映待评估眼底图像中视杯和视盘的大小。其中,I代表下方盘沿宽度,S代表上方盘沿宽度,N代表鼻侧盘沿宽度,T代表颞侧盘沿宽度。正常的眼底图像中,下方盘沿最宽,上方盘沿宽度次之,再次为鼻侧盘沿宽度,最窄为颞侧盘沿宽度。当颞下方或颞上方盘沿相对鼻侧盘沿宽度变窄时,属于青光眼改变。待评估眼底图像可以是模拟图像,也可以是数字图像。本申请不做具体限定。
图12所示为本申请一示例性实施例提供的对待评估眼底图像进行预处理操作的流程示意图。在本申请图3所示实施例的基础上延伸出本申请图12所示实施例,下面着重叙述图12所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图12所示,在本申请实施例提供的图像评估方法中,在确定待评估眼底图像对应的视杯视盘特征信息步骤之前,还包括如下步骤。
步骤5,对待评估眼底图像进行预处理操作,预处理操作包括感兴趣区域提取操作、去噪处理操作、归一化处理操作和增强处理操作中的至少一种。
示例性地,去噪处理操作用于去除待评估眼底图像在拍摄过程中产生的噪声。数字图像在数字化和传输过程中经常受到成像设备与外部环境噪声干扰等影响,噪声是图像干扰的重要原因。因此,在眼底图像中提取视杯视盘特征信息之前,需要将待评估眼底图像中的噪声去除,避免噪声对视杯视盘等特征造成干扰,提高视杯视盘特征信息提取的准确性。其中,去燥处理包括均值滤波、中值滤波、高斯滤波等其中的一种或几种的组合。本申请对去噪处理操作的算法不做具体限定。
示例性地,步骤5中提及的归一化处理操作主要是实现眼底影像差异化曝光、颜色和亮度的统一,使不同图像的灰度值范围统一,从而提高算法对海量图片的泛化能力。其中,归一化处理包括线性归一化和非线性归一化。本申请对归一化处理操作的算法不做具体限定。
示例性地,步骤5中提及的增强处理操作主要是拉大视杯视盘特征与背景特征的差异,从而使得视杯视盘特征更加清晰,便于进行后续地阈值分割和提取。
示例性地,可以先进行去噪处理操作,得到去噪后的待评估眼底图像,然后对去噪后的待评估眼底图像进行归一化处理操作,得到归一化后的待评估眼底图像,然后对归一化后的待评估眼底图像进行增强处理操作,得到增强后的待评估眼底图像。也可以只对待评估眼底图像进行去噪处理操作,或者归一化处理操作,或者增强处理操作,即以上几种预处理操作可以根据实际需求进行选择,本申请不做具体限定。
在实际应用过程中,首先对待评估眼底图像进行预处理操作,以生成待评估眼底图像对应的图像质量增强的图像,并基于预处理后的待评估眼底图像确定视杯视盘特征信息,进一步提高视杯视盘特征信息的清晰度。
本申请实施例提供的图像评估方法,通过在确定待评估眼底图像对应的视杯视盘特征信息之前,对待评估眼底图像进行预处理操作,优化了待评估眼底图像,使其感兴趣特征能够在后续处理中更易于被提取和识别。
在一实施例中,青光眼评估信息包括患青光眼风险信息和/或青光眼严重程度信息和/或青光眼视野缺失程度信息和/或青光眼视野变化信息。
示例性地,青光眼风险信息包括潜在青光眼风险信息、青光眼早期风险以及青光眼直接风险。
示例性地,青光眼严重程度信息包括:轻度、中度、中重度、重度。
示例性地,青光眼视野缺失程度信息包括:轻微缺失、中度缺失、中重度缺失、重度缺失。
示例性地,青光眼视野变化信息包括:视野轻度变化、视野中度变化、视野严重变化。
图13所示为本申请一示例性实施例提供的图像评估装置的结构示意图。如图13所示,本申请实施例提供的图像评估装置包括:
第一确定模块100,用于确定待评估眼底图像对应的视杯视盘特征信息;
第二确定模块200,用于确定待评估眼底图像对应的神经纤维损伤信息;
第三确定模块300,用于基于视杯视盘特征信息和神经纤维损伤信息确定待评估眼底图像对应的青光眼评估信息。
在本申请一实施例中,第二确定模块200,还用于提取待评估眼底图像对应的神经纤维损伤区域,计算神经纤维损伤区域对应的神经纤维损伤区域面积信息。
在本申请一实施例中,第二确定模块200,还用于利用神经纤维损伤区域检测模型检测待评估眼底图像对应的损伤区域,利用边缘检测算法确定损伤区域对应的边缘信息;基于损伤区域和边缘信息确定神经纤维损伤区域。
在本申请一实施例中,第二确定模块200,还用于利用神经纤维损伤区域分割模型分割待评估眼底图像,得到神经纤维损伤区域。
在本申请一实施例中,第一确定模块100,还用于提取待评估眼底图像对应的视杯区域和视盘区域;基于视杯区域和视盘区域确定视杯视盘特征信息,其中,视杯视盘特征信息包括杯盘比信息和/或盘沿距离信息。
在本申请一实施例中,第一确定模块100,还用于利用视杯视盘分割模型分割待评估眼底图像,得到视杯区域和视盘区域;或者,利用视杯视盘检测模型对待评估眼底图像检测后进行边缘提取以确定视杯区域和视盘区域。
图14所示为本申请另一示例性实施例提供的图像评估装置的结构示意图。在本申请图13所示实施例的基础上延伸出本申请图14所示实施例,下面着重叙述图14所示实施例与图13所示实施例的不同之处,相同之处不再赘述。
如图14所示,本申请实施例提供的图像评估装置,还包括:
预处理模块50,包括感兴趣区域提取操作、去噪处理操作、归一化处理操作和增强处理操作中的至少一种。
应当理解,图13至图14提供的图像评估装置中的第一确定模块100、第二确定模块200、第三确定模块300以及预处理模块50的操作和功能可以参考上述图3至图12提供的图像评估方法,为了避免重复,在此不再赘述。
下面,参考图15来描述根据本申请实施例的电子设备。图15所示为本申请一示例性实施例提供的电子设备的结构示意图。
如图15所示,电子设备60包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备60中的其他组件以执行期望的功能。
存储器602可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器601可以运行所述程序指令,以实现上文所述的本申请的各个实施例的图像评估方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待评估眼底图像等各种内容。
在一个示例中,电子设备60还可以包括:输入装置603和输出装置604,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置603可以包括例如键盘、鼠标等等。
该输出装置604可以向外部输出各种信息,包括确定的青光眼评估信息等。该输出装置604可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图15中仅示出了该电子设备60中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备60还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的图像评估方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的图像评估方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (11)
1.一种图像评估方法,其特征在于,包括:
确定待评估眼底图像对应的视杯视盘特征信息;
确定所述待评估眼底图像对应的神经纤维损伤信息;
基于所述视杯视盘特征信息和所述神经纤维损伤信息确定所述待评估眼底图像对应的青光眼评估信息。
2.根据权利要求1所述的图像评估方法,其特征在于,所述神经纤维损伤信息包括神经纤维损伤区域面积信息,所述确定所述待评估眼底图像对应的神经纤维损伤信息,包括:
提取所述待评估眼底图像对应的神经纤维损伤区域;
计算所述神经纤维损伤区域对应的神经纤维损伤区域面积信息。
3.根据权利要求2所述的图像评估方法,其特征在于,所述提取所述待评估眼底图像对应的神经纤维损伤区域,包括:
利用神经纤维损伤区域检测模型检测所述待评估眼底图像对应的损伤区域;
利用边缘检测算法确定所述损伤区域对应的边缘信息;
基于所述损伤区域和所述边缘信息确定所述神经纤维损伤区域。
4.根据权利要求2所述的图像评估方法,其特征在于,所述提取所述待评估眼底图像对应的神经纤维损伤区域,包括:
利用神经纤维损伤区域分割模型分割所述待评估眼底图像,得到所述神经纤维损伤区域。
5.根据权利要求1至4任一项所述的图像评估方法,其特征在于,所述确定待评估眼底图像对应的视杯视盘特征信息,包括:
提取所述待评估眼底图像对应的视杯区域和视盘区域;
基于所述视杯区域和所述视盘区域确定所述视杯视盘特征信息,其中,所述视杯视盘特征信息包括杯盘比信息和/或盘沿距离信息。
6.根据权利要求5所述的图像评估方法,其特征在于,所述提取所述待评估眼底图像对应的视杯区域和视盘区域,包括:
利用视杯视盘分割模型分割所述待评估眼底图像,得到所述视杯区域和所述视盘区域;
或者,利用视杯视盘检测模型对所述待评估眼底图像检测后进行边缘提取以确定所述视杯区域和所述视盘区域。
7.根据权利要求1至4任一项所述的图像评估方法,其特征在于,在所述确定待评估眼底图像对应的视杯视盘特征信息之前,还包括:
对所述待评估眼底图像进行预处理操作,所述预处理操作包括感兴趣区域提取操作、去噪处理操作、归一化处理操作和增强处理操作中的至少一种。
8.根据权利要求1至4任一项所述的图像评估方法,其特征在于,所述青光眼评估信息包括患青光眼风险信息和/或青光眼严重程度信息和/或青光眼视野缺失程度信息和/或青光眼视野变化信息。
9.一种图像评估装置,其特征在于,包括:
第一确定模块,用于确定待评估眼底图像对应的视杯视盘特征信息;
第二确定模块,用于确定所述待评估眼底图像对应的神经纤维损伤信息;
第三确定模块,用于基于所述视杯视盘特征信息和所述神经纤维损伤信息确定所述待评估眼底图像对应的青光眼评估信息。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至8任一所述的图像评估方法。
11.一种电子设备,其特征在于,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至8任一所述的图像评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810530.2A CN113487582A (zh) | 2021-07-16 | 2021-07-16 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810530.2A CN113487582A (zh) | 2021-07-16 | 2021-07-16 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487582A true CN113487582A (zh) | 2021-10-08 |
Family
ID=77941988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810530.2A Pending CN113487582A (zh) | 2021-07-16 | 2021-07-16 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487582A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116491893A (zh) * | 2023-06-28 | 2023-07-28 | 依未科技(北京)有限公司 | 高度近视眼底改变评估方法及装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
US20160100753A1 (en) * | 2009-11-16 | 2016-04-14 | Jiang Liu | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
CN107704886A (zh) * | 2017-10-20 | 2018-02-16 | 北京工业大学 | 一种基于深度卷积神经网络的医疗图像分级系统和方法 |
CN109528155A (zh) * | 2018-11-19 | 2019-03-29 | 复旦大学附属眼耳鼻喉科医院 | 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法 |
CN109691976A (zh) * | 2018-12-29 | 2019-04-30 | 佛山科学技术学院 | 基于眼底脉动信号评估rnfl完整度的方法及检测装置 |
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
CN111863241A (zh) * | 2020-07-10 | 2020-10-30 | 北京化工大学 | 一种基于集成深度学习的眼底照分类系统 |
CN112927228A (zh) * | 2021-04-14 | 2021-06-08 | 依未科技(北京)有限公司 | 图像评估方法和装置、模型训练方法和装置 |
-
2021
- 2021-07-16 CN CN202110810530.2A patent/CN113487582A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及系统 |
US20160100753A1 (en) * | 2009-11-16 | 2016-04-14 | Jiang Liu | Obtaining data for automatic glaucoma screening, and screening and diagnostic techniques and systems using the data |
CN107704886A (zh) * | 2017-10-20 | 2018-02-16 | 北京工业大学 | 一种基于深度卷积神经网络的医疗图像分级系统和方法 |
CN109528155A (zh) * | 2018-11-19 | 2019-03-29 | 复旦大学附属眼耳鼻喉科医院 | 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法 |
CN109691976A (zh) * | 2018-12-29 | 2019-04-30 | 佛山科学技术学院 | 基于眼底脉动信号评估rnfl完整度的方法及检测装置 |
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
CN111863241A (zh) * | 2020-07-10 | 2020-10-30 | 北京化工大学 | 一种基于集成深度学习的眼底照分类系统 |
CN112927228A (zh) * | 2021-04-14 | 2021-06-08 | 依未科技(北京)有限公司 | 图像评估方法和装置、模型训练方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116491893A (zh) * | 2023-06-28 | 2023-07-28 | 依未科技(北京)有限公司 | 高度近视眼底改变评估方法及装置、电子设备及存储介质 |
CN116491893B (zh) * | 2023-06-28 | 2023-09-15 | 依未科技(北京)有限公司 | 高度近视眼底改变评估方法及装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9898818B2 (en) | Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease | |
Wilson et al. | Computerized analysis of retinal vessel width and tortuosity in premature infants | |
CN102209488B (zh) | 图像处理设备和方法以及断层图像拍摄设备和方法 | |
JP5904711B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP5665768B2 (ja) | 画像処理装置、画像処理方法、撮像システム及びプログラム | |
JP7197708B2 (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
US20140314288A1 (en) | Method and apparatus to detect lesions of diabetic retinopathy in fundus images | |
Aquino | Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features | |
KR20190087272A (ko) | 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치 | |
WO2018116321A2 (en) | Retinal fundus image processing method | |
Rasta et al. | Detection of retinal capillary nonperfusion in fundus fluorescein angiogram of diabetic retinopathy | |
Mithun et al. | Automated detection of optic disc and blood vessel in retinal image using morphological, edge detection and feature extraction technique | |
CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
CN112927228A (zh) | 图像评估方法和装置、模型训练方法和装置 | |
KR102361354B1 (ko) | 관상동맥 조영 영상에서 심장 협착증 질병 정보 제공 방법 | |
Güven | Automatic detection of age-related macular degeneration pathologies in retinal fundus images | |
JP2008073280A (ja) | 眼底画像処理装置 | |
US20130222767A1 (en) | Methods and systems for detecting peripapillary atrophy | |
Gunay et al. | Automated detection of adenoviral conjunctivitis disease from facial images using machine learning | |
JP3548473B2 (ja) | 眼底画像の動静脈識別方法、記録媒体及び装置 | |
CN113487582A (zh) | 图像评估方法及装置、计算机可读存储介质及电子设备 | |
WO2021132307A1 (ja) | 眼科画像処理方法、眼科画像処理装置及び眼科画像処理プログラム | |
JP2006263127A (ja) | 眼底画像診断支援システム、及び眼底画像診断支援プログラム | |
CN115908405B (zh) | 确定眼底特征的方法、装置和电子设备 | |
Lu et al. | Parapapillary atrophy and optic disc region assessment (PANDORA): retinal imaging tool for assessment of the optic disc and parapapillary atrophy |
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 |