CN113554593A - 一种脉络膜厚度估计方法、装置、设备及介质 - Google Patents
一种脉络膜厚度估计方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113554593A CN113554593A CN202110660286.6A CN202110660286A CN113554593A CN 113554593 A CN113554593 A CN 113554593A CN 202110660286 A CN202110660286 A CN 202110660286A CN 113554593 A CN113554593 A CN 113554593A
- Authority
- CN
- China
- Prior art keywords
- choroid
- image
- image block
- intercepting
- thickness
- 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
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
- 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
- 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
- G06T2207/20—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
- G06T2207/30—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (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)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及数据处理技术领域,尤其是一种脉络膜厚度估计方法、装置、设备及介质,该方法包括:步骤S100、在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;步骤S200、将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;步骤S300、求取各所述局部厚度值的平均值,作为脉络膜厚度值。本发明通过先在OCT视网膜图像上将脉络膜截取在多个图像块的区域内,再通过卷积神经网络提取图像块中关于局部脉络膜厚度的特征值,再基于这些值进行均值计算,从而估算脉络膜的厚度,无需通过图像分割来定位脉络膜,可直接获得准确的脉络膜的厚度估算结果。
Description
技术领域
本发明涉及数据处理技术领域,尤其是一种脉络膜厚度估计方法、装置、设备及介质。
背景技术
脉络膜位于视网膜与巩膜之间,具有复杂的血管结构,其主要功能是营养视网膜外层及玻璃体,并有遮光作用,使反射的物象清楚。同时对人的视觉系统起保护作用,对整个视觉神经有调节作用。很多疾病会引起脉络膜形态的变化,如青光眼、高度近视、年龄相关性黄斑变性、中心性浆液性脉络膜视网膜病变、小柳原田综合症等。对脉络膜厚度和体积的精确定量分析对于发现早期病变、观测病程和研究病理都有着重要作用。
现有技术中,对脉络膜厚度的测试原理均是基于自动分割算法来实现,具体是根据脉络膜的边界(包括内边界和外边界)将脉络膜从OCT图像中独立分割出来,然后基于分割结果计算脉络膜的厚度。然而这种基于分割算法的脉络膜厚度测量方法的精度极大地依赖于分割结果,一旦分割算法不能对脉络膜边界进行准确的提取,基于分割结果计算所得的脉络膜厚度也将不准确。
发明内容
本发明的目的是提供一种脉络膜厚度估计方法、装置、设备及介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,提供了一种脉络膜厚度估计方法,包括以下步骤:
步骤S100、在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;
其中,各所述图像块组合后包含完整的脉络膜;
步骤S200、将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;
步骤S300、求取各所述局部厚度值的平均值,作为脉络膜厚度值。
进一步,所述步骤S100包括以下步骤:
步骤S101、在OCT视网膜图像的一旁侧边缘截取第一个图像块;
步骤S102、判断上一个截取的图像块是否已经到达OCT视网膜图像的另一旁侧边缘;若否,执行步骤S103,若是,执行步骤S200;
步骤S103、向OCT视网膜图像的另一旁侧边缘方向移动并截取下一个图像块,使两相邻的图像块左右相接,返回步骤S102。
进一步,还包括以下步骤:
步骤S110、根据脉络膜各个部分在OCT视网膜图像中的高度调整各个图像块的截取高度,使各被截取的脉络膜分别处于对应图像块圈括范围内的相同高度位置。
进一步,所述步骤S110包括以下步骤:
步骤S111、对图像块的圈括区域进行灰度值总和计算;
步骤S112、沿竖直方向移动图像块的截取窗口,对移动后截取窗口的圈括区域进行灰度值总和计算,直至到达OCT视网膜图像的边缘;
步骤S113、比较相同竖直方向的各个截取区间的灰度值总和,将图像块的截取位置调整至该竖直方向上灰度值总和最大的截取区间的位置。
进一步,在所述步骤S112中,所述沿竖直方向移动图像块的截取窗口是自OCT视网膜图像的上侧边缘向下侧边缘方向移动、自OCT视网膜图像的下侧边缘向上侧边缘方向移动或者是自初次截取图像块分别向OCT视网膜图像的上侧边缘方向和上侧边缘方向移动。
第二方面,提供了一种无需分割的脉络膜厚度估计装置,包括:
截取模块,用于在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;其中,各所述图像块包含完整的脉络膜;
输入模块,用于将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;
均值计算模块,用于求取各所述局部厚度值的平均值,作为脉络膜厚度值。
第三方面,提供了一种计算机设备,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如第一方面所述一种脉络膜厚度估计方法。
第四方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的一种脉络膜厚度估计方法。
本发明的有益效果:通过先在OCT视网膜图像上将脉络膜截取在多个图像块的区域内,再通过卷积神经网络提取图像块中关于局部脉络膜厚度的特征值,再基于这些值进行均值计算,从而估算脉络膜的厚度,无需通过图像分割来定位脉络膜,可直接获得准确的脉络膜的厚度估算结果。
附图说明
图1是根据第一个实施例示出的一种脉络膜厚度估计方法的流程图。
图2是根据图1实施例中一种脉络膜厚度估计方法的步骤S100的流程图。
图3是图1实施例中在OCT视网膜图像中截取图像块的示意图。
图4是根据第二个实施例示出的一种脉络膜厚度估计方法的流程图。
图5是根据图4实施例中一种脉络膜厚度估计方法的步骤S110的流程图。
图6是图4实施例中在OCT视网膜图像中截取图像块的示意图。
图7是根据一实施例示出的一种脉络膜厚度估计装置的结构图。
图8是根据一实施例示出的一种计算机设备的内部结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清晰,下面将结合实施例和附图,对本发明作进一步的描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
根据本发明的第一方面,提供一种脉络膜厚度估计方法。
参阅图1,图1是根据第一个实施例示出的一种脉络膜厚度估计方法的流程图。如图1所示,所述方法包括以下步骤:
步骤S100、在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块。
可理解地,通过OCT设备采集到眼底的OCT视网膜图像,运用OCT设备的增强模式采集眼底的OCT视网膜图像能够采集到更多的眼底脉络膜的形态特征,OCT视网膜图像中包含了完整的脉络膜,脉络膜的长度方向大致是自OCT视网膜图像的一旁侧边缘延伸至另一旁侧边缘。
其中,各所述图像块组合后包含完整的脉络膜。图像块的圈括范围小于OCT视网膜图像的圈括范围,通过图像块截取脉络膜时,可以是人工手动进行截取,也可以是在识别到脉络膜的形状后自动进行截取,沿脉络膜长度方向进行多次连续截取后,将脉络膜完整地截取下来。
步骤S200、将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值。
卷积神经网络结构包括卷积层,降采样层和全连接层。每一层有多个特征图,每个特征图通过一种卷积滤波器提取输入的一种特征。输入图像通过和滤波器进行卷积,提取局部特征,每个神经元的输入和前一层的局部感受野相连,每个特征提取层都紧跟一个用来求局部平均与二次提取的计算层。
可理解地,卷积神经网络的输入层读入经过规则化的图像块,每一层的每个神经元将前一层的一组小的局部近邻的单元作为输入,神经元抽取一些基本的视觉特征,比如边缘、角点等,这些特征之后会被更高层的神经元所使用。卷积神经网络通过卷积操作获得特征图,每个位置,来自不同特征图的单元得到各自不同类型的特征,一个卷积层中通常包含多个具有不同权值向量的特征图,使得能够保留图像更丰富的特征,卷积层后边会连接池化层进行降采样操作,降低图像的分辨率,减少参数量,以及获得平移和形变的鲁棒性,最后根据训练逻辑,将对应的特征值进行局部均值计算,得到该图像块的脉络膜厚度值。
步骤S300、求取各所述局部厚度值的平均值,作为脉络膜厚度值。
可理解地,基于步骤S200求取的各个局部厚度值求取得到的平均值,为该脉络膜厚度的估算结果。
如此,本实施例实现了通过先在OCT视网膜图像上将脉络膜截取在多个图像块的区域内,再通过卷积神经网络提取图像块中关于局部脉络膜厚度的特征值,再基于这些值进行均值计算,从而估算脉络膜的厚度,无需通过图像分割来定位脉络膜,可直接获得准确的脉络膜的厚度估算结果。
参阅图2,图2是根据图1实施例中一种脉络膜厚度估计方法的步骤S100的流程图。如图2所示,所述步骤S100还包括以下步骤:
步骤S101、在OCT视网膜图像的一旁侧边缘截取第一个图像块。
步骤S102、判断上一个截取的图像块是否已经到达OCT视网膜图像的另一旁侧边缘;若否,执行步骤S103,若是,执行步骤S200。
步骤S103、向OCT视网膜图像的另一旁侧边缘方向移动并截取下一个图像块,使两相邻的图像块左右相接,返回步骤S102。
可理解地,自脉络膜的一端向另一端进行图像块截取,第一个脉络膜贴近脉络膜的一端,基于上一个截取图像块的圈括范围截取后一个图像块,使相邻两图像块连续,不存在间隔,即两相邻的图像块左右相接,直至截取到完整的脉络膜。
参阅图3,在本实施例中,截取得到的两相邻图像块左右相接;为确保估算精度,每个图像块的圈括范围均相同,由于OCT视网膜图像宽度不适配时,最后一个图像块缩小截取宽度。示例性地,在一幅分辨率为M×N的OCT视网膜图像中,每次截取图像块的截取窗口分辨率为m×n(m<M,n<N),截取过程中得到的两相邻图像块左右相接,经过多次截取后,OCT视网膜图像的未截取宽度为a(a<m),将最后一个图像块的截取窗口调整为a×n,接着通过上采样操作将该图像块大小调整为m×n。
参阅图4,图4是根据第二个实施例示出的一种脉络膜厚度估计方法的流程图。如图4所示,在上述图1实施例的基础上,执行步骤S200前,执行步骤S110。
所述步骤S110为:根据脉络膜各个部分在OCT视网膜图像中的高度调整各个图像块的截取高度,使各被截取的脉络膜分别处于对应图像块圈括范围内的相同高度位置。
可理解地,由于OCT视网膜图像中的脉络膜呈弧形,使脉络膜各个部分的高度不尽相同,截取图像块时将脉络膜放置于图像块圈括范围内的相同高度位置,缩小卷积神经网络输出的各个局部厚度值之间的误差。
具体地,如图5所示,所述步骤S110包括以下步骤:
步骤S111、对图像块的圈括区域进行灰度值总和计算。
可理解地,此处所述的图像块是初次截取的图像块,可以是人工手动进行截取,也可以是借助识别软件自动识别到脉络膜的形状后自动进行截取,初次截取的图像块包含有局部的脉络膜,但未对截取窗口内脉络膜的位置进行调整,基于该初次截取得到的图像块确定其灰度值总和、对应的竖直方向和截取窗口。
步骤S112、沿竖直方向移动图像块的截取窗口,对移动后截取窗口的圈括区域进行灰度值总和计算,直至到达OCT视网膜图像的边缘。
参阅图6,可理解地,通过滑窗算法沿竖直方向移动图像块的截取窗口,根据实际精度需求设定算法每次滑动的长度,每滑动一次图像块的截取窗口则进行一次灰度值总和计算。
在本实施例中,沿竖直方向移动图像块的截取窗口可以是自OCT视网膜图像的上侧边缘向下侧边缘方向移动,可以是自OCT视网膜图像的下侧边缘向上侧边缘方向移动,或者是自初次截取图像块分别向OCT视网膜图像的上侧边缘方向和上侧边缘方向移动。
步骤S113、比较相同竖直方向的各个截取区间的灰度值总和,将图像块的截取位置调整至该竖直方向上灰度值总和最大的截取区间的位置。
可理解地,在相同竖直方向上灰度值总和最大的截取区间中,脉络膜处于该截取区间的相同高度位置。
如此,本实施例实现了通过进一步调整图像块截取窗口的高度位置,具体是基于滑动截取窗口和灰度值总和计算确定图像块截取窗口的高度位置,使各脉络膜分别处于对应图像块圈括范围内的相同高度位置,缩小卷积神经网络输出的各个局部厚度值之间的误差。
根据本发明的第二方面,提供一种脉络膜厚度估计装置。
参阅图7,图7是根据一实施例示出的一种脉络膜厚度估计装置的结构图。如图7所示,该装置包括截取模块100、输入模块200和均值计算模块300,各功能模块详细说明如下:
截取模块100,用于在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;其中,各所述图像块包含完整的脉络膜;
输入模块200,用于将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;
均值计算模块300,用于求取各所述局部厚度值的平均值,作为脉络膜厚度值。
关于脉络膜厚度估计装置的具体限定可以参见上文中对于一种脉络膜厚度估计方法的限定,在此不再赘述。上述脉络膜厚度估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
根据本发明的第三方面,提供一种计算机设备。
参阅图8,图8是根据一实施例示出的一种计算机设备的内部结构图。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备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、计算机程序和数据库。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。该计算机程序被处理器执行时以实现一种脉络膜厚度估计方法。
根据本发明的第四方面,还提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,计算机存储介质可以是磁性随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、快闪存储器、磁表面存储器、光盘、或只读光盘等;也可以是包括上述存储器之一或任意组合的各种设备,如移动电话、计算机、平板设备、个人数字助理等。所述计算机程序被处理器执行时实现上述一种脉络膜厚度估计方法。
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 (8)
1.一种脉络膜厚度估计方法,其特征在于,包括以下步骤:
步骤S100、在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;
其中,各所述图像块组合后包含完整的脉络膜;
步骤S200、将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;
步骤S300、求取各所述局部厚度值的平均值,作为脉络膜厚度值。
2.根据权利要求1所述的一种脉络膜厚度估计方法,其特征在于,所述步骤S100包括以下步骤:
步骤S101、在OCT视网膜图像的一旁侧边缘截取第一个图像块;
步骤S102、判断上一个截取的图像块是否已经到达OCT视网膜图像的另一旁侧边缘;若否,执行步骤S103,若是,执行步骤S200;
步骤S103、向OCT视网膜图像的另一旁侧边缘方向移动并截取下一个图像块,使两相邻的图像块左右相接,返回步骤S102。
3.根据权利要求1所述的一种脉络膜厚度估计方法,其特征在于,还包括以下步骤:
步骤S110、根据脉络膜各个部分在OCT视网膜图像中的高度调整各个图像块的截取高度,使各被截取的脉络膜分别处于对应图像块圈括范围内的相同高度位置。
4.根据权利要求3所述的一种脉络膜厚度估计方法,其特征在于,所述步骤S110包括以下步骤:
步骤S111、对图像块的圈括区域进行灰度值总和计算;
步骤S112、沿竖直方向移动图像块的截取窗口,对移动后截取窗口的圈括区域进行灰度值总和计算,直至到达OCT视网膜图像的边缘;
步骤S113、比较相同竖直方向的各个截取区间的灰度值总和,将图像块的截取位置调整至该竖直方向上灰度值总和最大的截取区间的位置。
5.根据权利要求4所述的一种脉络膜厚度估计方法,其特征在于,在所述步骤S112中,所述沿竖直方向移动图像块的截取窗口是自OCT视网膜图像的上侧边缘向下侧边缘方向移动、自OCT视网膜图像的下侧边缘向上侧边缘方向移动或者是自初次截取图像块分别向OCT视网膜图像的上侧边缘方向和上侧边缘方向移动。
6.一种脉络膜厚度估计装置,其特征在于,包括:
截取模块,用于在OCT视网膜图像中沿脉络膜的长度方向连续截取多个分别包含部分脉络膜的图像块;其中,各所述图像块包含完整的脉络膜;
输入模块,用于将各所述图像块分别输入至训练好的卷积神经网络,通过训练好的卷积神经网络特征提取,得到局部厚度值;
均值计算模块,用于求取各所述局部厚度值的平均值,作为脉络膜厚度值。
7.一种计算机设备,其特征在于,包括:
存储器,存储有计算机程序;
处理器,所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述一种脉络膜厚度估计方法。
8.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的一种脉络膜厚度估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660286.6A CN113554593B (zh) | 2021-06-15 | 2021-06-15 | 一种脉络膜厚度估计方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110660286.6A CN113554593B (zh) | 2021-06-15 | 2021-06-15 | 一种脉络膜厚度估计方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554593A true CN113554593A (zh) | 2021-10-26 |
CN113554593B CN113554593B (zh) | 2023-07-25 |
Family
ID=78102098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110660286.6A Active CN113554593B (zh) | 2021-06-15 | 2021-06-15 | 一种脉络膜厚度估计方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554593B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143087A (zh) * | 2014-07-24 | 2014-11-12 | 苏州大学 | 基于sd-oct的挫伤性视网膜内外节缺失检测方法 |
CN105976321A (zh) * | 2016-05-11 | 2016-09-28 | 湖南大学 | 一种光学相干断层图像超分辨率重建方法和装置 |
US20180047159A1 (en) * | 2015-03-02 | 2018-02-15 | Medizinische Universität Wien | Computerized device and method for processing image data |
CN107705306A (zh) * | 2017-10-26 | 2018-02-16 | 中原工学院 | 一种基于多特征矩阵低秩分解的织物疵点检测方法 |
CN109993757A (zh) * | 2019-04-17 | 2019-07-09 | 山东师范大学 | 一种视网膜图像病变区域自动分割方法及系统 |
WO2020036182A1 (ja) * | 2018-08-14 | 2020-02-20 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
CN112712520A (zh) * | 2021-01-18 | 2021-04-27 | 佛山科学技术学院 | 一种基于ARU-Net脉络膜层分割方法 |
-
2021
- 2021-06-15 CN CN202110660286.6A patent/CN113554593B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143087A (zh) * | 2014-07-24 | 2014-11-12 | 苏州大学 | 基于sd-oct的挫伤性视网膜内外节缺失检测方法 |
US20180047159A1 (en) * | 2015-03-02 | 2018-02-15 | Medizinische Universität Wien | Computerized device and method for processing image data |
CN105976321A (zh) * | 2016-05-11 | 2016-09-28 | 湖南大学 | 一种光学相干断层图像超分辨率重建方法和装置 |
CN107705306A (zh) * | 2017-10-26 | 2018-02-16 | 中原工学院 | 一种基于多特征矩阵低秩分解的织物疵点检测方法 |
WO2020036182A1 (ja) * | 2018-08-14 | 2020-02-20 | キヤノン株式会社 | 医用画像処理装置、医用画像処理方法及びプログラム |
CN109993757A (zh) * | 2019-04-17 | 2019-07-09 | 山东师范大学 | 一种视网膜图像病变区域自动分割方法及系统 |
CN112712520A (zh) * | 2021-01-18 | 2021-04-27 | 佛山科学技术学院 | 一种基于ARU-Net脉络膜层分割方法 |
Non-Patent Citations (5)
Title |
---|
EDUARDO B. MARIOTTONI 等: "Quantification of retinal nerve fibre layer thickness on optical coherence tomography with a deep learning segmentation-free approach", 《NATURE》, pages 1 - 9 * |
IOANA DAMIAN 等: "Analysis of the Choroid and Its Relationship with the Outer Retina in Patients with Diabetes Mellitus Using Binarization Techniques Based on Spectral-Domain Optical Coherence Tomography", 《JOURNAL OF CLINICAL MEDICINE》, pages 1 - 25 * |
YIBIAO RONG 等: "Direct Estimation of Choroidal Thickness in Optical Coherence Tomography Images with Convolutional Neural Networks", 《JOURNAL OF CLINICAL MEDICINE》, pages 1 - 12 * |
YUKI KOMUKU 等: "Choroidal thickness estimation from colour fundus photographs by adaptive binarisation and deep learning, according to central serous chorioretinopathy status", 《NATURE》, pages 1 - 7 * |
邢琳 等: "基于Hessian矩阵和区域生长的脉络膜血管自动检测", 《软件导刊》, vol. 15, no. 6, pages 132 - 136 * |
Also Published As
Publication number | Publication date |
---|---|
CN113554593B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021068523A1 (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
CN110120047B (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN109829894A (zh) | 分割模型训练方法、oct图像分割方法、装置、设备及介质 | |
EP2888718B1 (en) | Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation | |
CN109726743B (zh) | 一种基于三维卷积神经网络的视网膜oct图像分类方法 | |
CN103778406B (zh) | 对象检测方法及设备 | |
CN108198185A (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
CN117058676B (zh) | 一种基于眼底检查影像的血管分割方法、装置和系统 | |
CN111402243B (zh) | 黄斑中心凹识别方法及终端 | |
WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
CN106846293A (zh) | 图像处理方法和装置 | |
CN115294126B (zh) | 一种病理图像的癌细胞智能识别方法 | |
CN111160431B (zh) | 一种基于多维特征融合的圆锥角膜识别方法及装置 | |
CN112750137A (zh) | 基于深度学习的肝脏肿瘤分割方法及系统 | |
US20220319003A1 (en) | Machine-learning techniques for prediction of future visual acuity | |
CN106960199B (zh) | 一种真彩色眼象图白睛区域的完整提取方法 | |
CN106446805A (zh) | 一种眼底照中视杯的分割方法及系统 | |
CN113554593A (zh) | 一种脉络膜厚度估计方法、装置、设备及介质 | |
CN110276333B (zh) | 眼底身份识别模型训练方法、眼底身份识别方法和设备 | |
CN110335254B (zh) | 眼底图像区域化深度学习方法、装置和设备及存储介质 | |
CN114693646A (zh) | 一种基于深度学习的角膜内皮细胞活性因子的分析方法 | |
CN112862782A (zh) | 一种基于R-Unet的人眼玻璃体混浊程度分级方法 | |
CN111489353A (zh) | 一种眼底图像中央凹定位方法 | |
CN118053195A (zh) | 超广域眼底图像识别方法、装置、终端设备及存储介质 |
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 |