CN113554660B - 一种用于检测眼底微动脉瘤的检测方法 - Google Patents
一种用于检测眼底微动脉瘤的检测方法 Download PDFInfo
- Publication number
- CN113554660B CN113554660B CN202011365358.6A CN202011365358A CN113554660B CN 113554660 B CN113554660 B CN 113554660B CN 202011365358 A CN202011365358 A CN 202011365358A CN 113554660 B CN113554660 B CN 113554660B
- Authority
- CN
- China
- Prior art keywords
- image
- growing
- candidate points
- points
- fundus
- 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
- 206010002329 Aneurysm Diseases 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 208000009857 Microaneurysm Diseases 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 210000002565 arteriole Anatomy 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010064145 Retinal aneurysm Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 210000004246 corpus luteum Anatomy 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种用于检测眼底微动脉瘤的检测方法,包括:获取眼底图像数据,进行灰度处理后并提取所述眼底图像数据的灰度图值;对提取后的图像进行U‑NET分割,以提取血管图像;根据灰度图值,对灰度处理后的图像进行阈值提取,以获取候选点;剔除候选点中与血管图像重合的点;通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点;对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像;基于增长后图像对数据集进行扩充,并将扩充后的数据输入Faster‑RCNN的调整模型进行训练。应用本发明实施例,减少了计算量,提高了计算效率,避免大卷积核造成的参数冗余问题,可进行多尺度相融合,提高数据检测的准确性。
Description
技术领域
本发明涉及眼底彩色图像处理技术领域,尤其涉及一种用于检测眼底微动脉瘤的检测方法。
背景技术
糖网病早期在眼底图像中出现的病灶就是微动脉瘤,医生可以根据眼底图像中微动脉瘤的情况来对DR进行早期的筛查。采用数字图像处理的方式,对眼底图像中的微血管瘤病灶实现精确地检测识别可以大大减少医生的工作量,在辅助医生对DR患者诊断的同时,也不会因为医生自身经验等原因而造成结果上的差异。因此,在大规模DR筛查中,设计一种检测眼底图像中微血管瘤的辅助诊断技术可以帮助眼科医生快速、有效的实现诊断,同时也可以帮助患者尽早得到治疗,这对患者和医生都具有十分重要的意义。
最早的微动脉检测与识别方法是采用比较简单的二值形态学处理和阈值分割去识别造影技术中的微动脉瘤,传统的检测方法还包括利用血管的线性结构特征,分别利用其不同的方向和长度作为结构化元素,通过多次滤波操作将微动脉瘤候选点提取出来;或者利用区域增长算法对微动脉瘤候选点进行过滤,最后再基于微动脉瘤的形状、灰度等等特性,采用决策树将微动脉瘤从部分噪声点中分辨出来。此方法操作复杂,并且对于黄体等非微动脉瘤病变区域的识别有较大限制,准确性较低。
此后,随着神经网络的发展,第二梯队检测方法随之到来,宋丽晓等人提出的一种基于核主成分分析(KPCA)和支持向量机(SVM)的微动脉瘤检测方法,深入研究了视网膜动脉瘤的特征抽取算法的特征分类算法,通过线性映射将微动脉瘤的特征样本从高维的空间变换到较低维度的特征子工程的过程。Zhang等人选取不同尺寸的高斯核函数对眼底图像进行匹配,将候选点过滤,再经过血管移除和区域增长之后将感兴趣区域作为待处理图像,手动提取特征,通过字典学习对提取到的特征进行训练,上述方法虽然能够有效降低细小血管和出血点对MA检测的影响,但对低对比度和靠近黄斑的MA识别效果不理想。陈淑玲等人和张亮军等人都采用了U-NET模型,并对此进行改进。陈淑玲保留原始U-NET模型的编码器部分,将标准卷积改成可变形的卷积,用于提取网络浅层部分的目标形态结构特征,加入Resnet Block结构,并引入BN层,解决网络模型训练过程中可能出现的梯度弥散或者梯度爆炸的问题;而张亮军等人在U-NET模型中加入了Dense Block架构,此方法在训练模型中需求大量数据,而采用的数据集用数据增强来扩充,交叉数据集不具有普遍性。并不能很好的保证模型的效率。
现有技术中,眼底微动脉瘤检测方法一般分为传统方法和神经网络方法,神经网络方法是利用数学形态学的传统方法,获取所有的最大值为12像素点,再移除“shadecorrected”图像,保留的候选点不包含细长的结构(例如血管),但是红色病变区域仍然存在。后来用K-NN分类器进行完善,但是需要手动的标记每一张图像,医学专家并不能应付大量的图片。
当需要检测更多形态的动脉瘤,需要加入较长的结构元素,这就导致了并不能更好的筛选出血管元素,限制了部分算法的效率。使用高斯曲线去拟合动脉瘤,但是只有两个尺度并不能很好的检测真实区域。另外,参见对比文件(公开号:CN110276356A),其公开的基于R-CNN的眼底图像微动脉瘤识别方法,此方法在训练模型中需求大量数据,而采用的数据集用数据增强来扩充,交叉数据集不具有普遍性,并不能很好的保证模型的效率,并且训练后获取的数据的准确性也不高。
发明内容
本发明的目的在于提供一种用于检测眼底微动脉瘤的检测方法,旨在解决现有之不足,本发明可减少计算量,提高检测效率。
为了实现上述目的,本发明提供一种用于检测眼底微动脉瘤的检测方法,包括:
获取眼底图像数据,进行灰度处理后并提取所述眼底图像数据的灰度图值;
对提取后的图像进行U-NET分割,以提取血管图像;
根据灰度图值,对灰度处理后的图像进行阈值提取,以获取候选点;
剔除所述候选点中与所述血管图像重合的点;
通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点;
对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像;
基于所述增长后图像对数据集进行扩充,并将扩充后的数据输入Faster-RCNN的调整模型进行训练。
一种实现方式中,所述U-NET包括左压缩通道和右扩展通道,所述左压缩通道采用ResNet,所述ResNet引入了层间残差跳连和前方信息。
可选的,所述动脉瘤候选点的确定通过OTSU即最大类间方差法实现。
一种实现方式中,所述通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点的步骤包括:
通过使用高斯核函数进行拟合,以去除拟合值小于0.3的点。
可选的,所述对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像的步骤包括:
对动脉瘤图像进行区域增长,将增长结果图中像素区域大于120的像素点剔除。
应用本发明实施例提供的一种用于检测眼底微动脉瘤的检测方法,可提高检测效率;减少计算量,提高计算效率;避免大卷积核造成的参数冗余问题,可进行多尺度相融合,提高数据检测的准确性。
附图说明
图1是本发明实施例一种用于眼底动脉瘤的检测方法的一种流程示意图。
图2是本发明ResNet的架构图。
图3是本发明U-NET对血管图像分割的效果图。
图4是本发明高斯核函数的拟合示意图。
图5是本发明不同动脉瘤的相似度的示意图。
图6是本发明Faster-RCNN调整模型的结构示意图。
图7是本发明Faster-RCNN使用Inception的示意图。
图8是本发明Faster-RCNN的FPN架构示意图。
图9是本发明Faster-RCNN使用FPN网络的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-9。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
如图1本发明提供一种用于检测眼底微动脉瘤的检测方法,包括:
S110,获取眼底图像数据,进行灰度处理后并提取所述眼底图像数据的灰度图值;
可以理解的是,由于绿色通道图像的视网膜图片具有较大对比度,图像中的微动脉瘤提取图片对比红色和蓝色通道较为明显,因此,本发明首先收集所有的眼底微动脉瘤图像,然后将数据统一后进行绿色通道提取,进行初步筛选。需要说明的是,本发明在后续处理图片时均为绿色通道处理。
需要说明的是,数字图像处理的一种方法,并不是由绿色通道的像素值进行组成,是计算彩色图片的灰度值,做灰度处理。这里可以是对图像做灰度处理。
S120,对提取后的图像进行U-NET分割,以提取血管图像;
可以理解的是,初步筛选后使用U-NET实现对血管的分割,U-NET由左压缩通道和右扩展通道组成,左压缩通道采用ResNet,由于ResNet引入了层间残差跳连和引入了前方信息,这样可缓解梯度消失,增加了神经网络的层数,并且还可以更加方便精确提取到特征组合,如图2。
具体的,U-net模型主要分为两步,分别是四次下采样和四次上采样,形成了U行区域。优先进行down操作,把输入的图片进行2次3*3的卷积操作,然后进行一次2*2的Maxpooling,同时将卷积核的数量进行翻倍,64-128-256-512-1024,重复四次,然后再进行2次3*3次卷积,用二分之一的卷积核进行专职卷积,取相应的down层的featuremap,和上采样的featuremap重接在一起,重复此过程,最后输出的为n_class个featuremap深度,进行分类。U-net的操作在下采样精确语义信息,对于小目标有着更好的效果,精细程度较高,但是上采样会丢失部分语义信息,这时候使用拼接的方式,可以再次恢复部分语义信息,保证了语义分割的精度。
为了更好的分割效果,本发明引入ResNet到下采样中,替换原本的神经网络层。网络越深,获取的信息就越多,但是随着网络层的不断深入到一定的程度,优化效果反而越来越差,这时由于网络层数的加深会带来梯度爆炸、梯度消失和过拟合等问题,从而产生龙格现象。所以需要把低层的特征传到高层,效果不比浅层的网络准确率差。由于数据处理不等式DPI的存在,在神经网络中,随着层数的加深,Feature Map包含的图像信息会逐渐减少,但是ResNet的作用可以保证L+1层绝对比L层获得的信息多。一个残差块可以用公式表示为:
xl+1=xl+F(xl,Wl)
残差块可以分为两个部分:直接映射和残差映射部分。其中,h(xl)为直接映射,残差部分为F(xl,Wl),一般由两个或者三个卷积操作构成。
当xl和xl+1的feature Map的数量不一样时,这时需要1*1卷积网络进行升维或者降维。其中h(xl)=W‘lx,W‘l是1*1的卷积操作,一般只有在升维或者降维时使用,U-NET对血管分割的效果图如图3。
S130,根据灰度图值,对灰度处理后的图像进行阈值提取,以获取候选点;
需要说明的是,本发明通过OTSU即最大类间方差法确定候选动脉瘤的阈值,这样可提供精度。
具体的,先假设存在阈值T将眼底图像所有的像素分为两类C1(小于T)和C2(大于T),所以这两类各自的均值就为m1、m2,图像全局均值为mA。同时像素被分成C1和C2类,其概率分别为P1,P2。
P1×m1+P2×m2=mA;P1+P2=1
根据方差的概念,类间方差表达式为:
σ2=P1×(m1-mA)2+P2×(m2-mA)2
对上面的公式进行简化,可得:
σ2=P1P2(m1-m2)2
其中:
遍历0-255个灰度级,便可求出结果。还可进一步优化为:
S140,剔除所述候选点中与所述血管图像重合的点;
可以理解的是,获取候选点后,然后将候选点中与血管图像重合的点剔除,这样可以减少计算量,提高计算效率。
S150,通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点;
需要说明的是,因为从动脉瘤外观的角度看与高斯核函数有着形状上的相近,所以本发明采用高斯核函数来进行拟合微动脉瘤,高斯核函数的定义为:
其中,x,y表示中心坐标,σ表示为带宽。
相关系数可以有效地匹配高斯核函数和微动脉瘤的灰度属性,相关系数定义为:
其中,A,B为向量,读取到的灰色图像,可视化的数据向量。均是预设高斯核函数所对应的向量的均值。
根据得到的相关系数去匹配所有的候选点,去除不同的函数值取拟合不同大小的动脉瘤,其中,去除不同相关系数的拟合值小于0.3的点,取不同的相关系数1.1,1.2,1.3,1.4的点,这样不同的相关系数可检测不同动脉瘤的相似度,如图4-5。本发明采用高斯核函数拟合微动脉瘤减少了计算量,提高了计算效率,避免大卷积核造成的参数冗余问题。
S160,对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像;
可以理解的是,根据高斯核函数去除拟合值小于0.3的点后,对动脉瘤图像进行区域增长,区域生长算法是将有相似性质的像素点合并到一起,对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周围领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止。本发明将增长结果图中像素区域大于120的像素点剔除,因为大于120的像素点肯定不是动脉瘤,这样提高了效率,减少计算量,提高了数据检测的准确性。
S170,基于所述增长后图像对数据集进行扩充,并将扩充后的数据输入Faster-RCNN的调整模型进行训练。
需要说明的是,本发明还对Faster-RCNN模型进行了调整,对Faster-RCNN模型的特征提取网络进行了改进,改进如下:
本发明引入了C.Relu,C.Relu抓住了低层的卷积层中的一些滤波器核存在着负相关程度很高的滤波器核,直接减少一半输出通道(output channels)的数量,通过简单的连接相同的输出和negation使其变成双倍,即达到原来输出的数量,这使得2倍的速度提升而没有损失精度,通过引入C.Relu,可以减少计算量,因为只使用了一半的卷积操作,减少了卷积的计算量;使用Inception,并且引用了残差连接,不但可以捕获大目标,而且1*1的卷积核可以捕获小目标,还避免大卷积核造成的参数冗余问题;使用HyperNet,用于连接conv3_4、conv4_4、conv5_4三层特征,可进行多尺度相融合,即细粒度细节与高度概括的语义信息的结合有助于随后的region proposal网络和分类网络检测不同尺度的目标。
另外,本发明还对Faster-RCNN模型的RPN网络方面也进行了改进,使用FPN网络:首先在输入的图像上进行深度卷积,然后对Layer2上面的特征进行降维操作即添加一层1x1的卷积层,对Layer4上面的特征就行上采样操作,使得它们具有相应的尺寸,然后对处理后的Layer2和处理后的Layer4执行加法操作即对应元素相加,将获得的结果输入到Layer5中去。是为了获得一个强语义信息,这样可以提高检测性能,使用了更深的层来构造特征金字塔,是为了使用更加鲁棒的信息;除此之外,还将处理过的低层特征和处理过的高层特征进行累加,目的是因为低层特征可以提供更加准确的位置信息,而多次的降采样和上采样操作使得深层网络的定位信息存在误差,因此将其结合起来使用,就构建了一个更深的特征金字塔,融合了多层特征信息,并在不同的特征进行输出。
本发明对Faster-RCNN的调整模型的FPN架构也进行了改进:为可以进行端到端训练的特征金字塔,可通过CNN网络的层次结构高效的进行强特征计算,且可通过结合bottom-up与top-down方法获得较强的语义特征,可以灵活地应用在不同地任务中。采用上述调整后的Faster-RCNN模型进行训练,训练后的数据准确性可达到最佳,如图6-9。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (3)
1.一种用于检测眼底微动脉瘤的检测方法,其特征在于,包括:
获取眼底图像数据,进行灰度处理后并提取所述眼底图像数据的灰度图值;
对提取后的图像进行U-NET分割,以提取血管图像;
根据灰度图值,对灰度处理后的图像进行阈值提取,以获取候选点;
剔除所述候选点中与所述血管图像重合的点;
通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点;
对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像;
基于所述增长后图像对数据集进行扩充,并将扩充后的数据输入Faster-RCNN的调整模型进行训练;
所述U-NET包括左压缩通道和右扩展通道,所述左压缩通道采用ResNet,所述ResNet引入了层间残差跳连和前方信息;
所述动脉瘤候选点的确定通过OTSU即最大类间方差法实现。
2.根据权利要求1所述的一种用于检测眼底微动脉瘤的检测方法,其特征在于,所述通过高斯核函数进行拟合,以去除相关性小于第一预设阈值的候选点的步骤包括:
通过使用高斯核函数进行拟合,去除拟合值小于0.3的点。
3.根据权利要求2所述的一种用于检测眼底微动脉瘤的检测方法,其特征在于,所述对动脉瘤图像进行区域增长,并剔除增长后像素点大于第二预设阈值的候选点,以获得增长后图像的步骤包括:
对动脉瘤图像进行区域增长,将增长结果图中像素区域大于120的像素点剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365358.6A CN113554660B (zh) | 2020-11-28 | 2020-11-28 | 一种用于检测眼底微动脉瘤的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011365358.6A CN113554660B (zh) | 2020-11-28 | 2020-11-28 | 一种用于检测眼底微动脉瘤的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554660A CN113554660A (zh) | 2021-10-26 |
CN113554660B true CN113554660B (zh) | 2024-03-12 |
Family
ID=78129985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011365358.6A Active CN113554660B (zh) | 2020-11-28 | 2020-11-28 | 一种用于检测眼底微动脉瘤的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554660B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011104206A (ja) * | 2009-11-19 | 2011-06-02 | Hiroshima City Univ | 動脈瘤候補の検出支援装置および検出方法 |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110276356A (zh) * | 2019-06-18 | 2019-09-24 | 南京邮电大学 | 基于r-cnn的眼底图像微动脉瘤识别方法 |
CN110766643A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种面向眼底图像的微动脉瘤检测方法 |
-
2020
- 2020-11-28 CN CN202011365358.6A patent/CN113554660B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011104206A (ja) * | 2009-11-19 | 2011-06-02 | Hiroshima City Univ | 動脈瘤候補の検出支援装置および検出方法 |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
WO2020151149A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
CN110276356A (zh) * | 2019-06-18 | 2019-09-24 | 南京邮电大学 | 基于r-cnn的眼底图像微动脉瘤识别方法 |
CN110766643A (zh) * | 2019-10-28 | 2020-02-07 | 电子科技大学 | 一种面向眼底图像的微动脉瘤检测方法 |
Non-Patent Citations (2)
Title |
---|
薛岚燕 ; 刘杜鹃 ; 陈艺慧 ; .基于Canny边缘检测和外观特征的微血管瘤检测方法.现代电子技术.2017,(第06期),全文. * |
高玮玮 ; 沈建新 ; 王玉亮 ; 梁春 ; 左晶 ; .免散瞳眼底图像中微动脉瘤的高效自动检测.中国生物医学工程学报.2012,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113554660A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264424B (zh) | 一种基于生成对抗网络的模糊视网膜眼底图像增强方法 | |
CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
Tabassum et al. | CDED-Net: Joint segmentation of optic disc and optic cup for glaucoma screening | |
CN110084803B (zh) | 基于人类视觉系统的眼底图像质量评估方法 | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
CN109978848B (zh) | 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法 | |
CN108109159A (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割系统 | |
Argade et al. | Automatic detection of diabetic retinopathy using image processing and data mining techniques | |
CN109872337B (zh) | 一种基于快速均值移位的眼底图像视盘分割方法 | |
Yang et al. | Retinal image enhancement with artifact reduction and structure retention | |
Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
Shambhu et al. | Edge-based segmentation for accurate detection of malaria parasites in microscopic blood smear images: a novel approach using FCM and MPP algorithms | |
CN114359104A (zh) | 一种基于分级生成的白内障眼底图像增强方法 | |
Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
Sachdeva et al. | Automatic segmentation and area calculation of optic disc in ophthalmic images | |
CN113554660B (zh) | 一种用于检测眼底微动脉瘤的检测方法 | |
Maheswari et al. | A survey on computer algorithms for retinal image preprocessing and vessel segmentation | |
CN114066850A (zh) | 一种基于分类框架的图像二值化方法 | |
Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image | |
Bilodeau et al. | Multistage graph-based segmentation of thoracoscopic images | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Wu et al. | Retinal vascular segmentation network with connectivity guidance | |
Li et al. | Detection and identification of hemorrhages in fundus images of diabetic retinopathy | |
CN115965626B (zh) | 一种基于人工智能算法的医学图像处理方法及系统 | |
Das et al. | Preprocessing retinal fundus images to localize lesions for identification of diabetic eye diseases |
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 | ||
DD01 | Delivery of document by public notice | ||
DD01 | Delivery of document by public notice |
Addressee: Patent of Shanghai Maritime University The person in charge Document name: Notification of conformity |
|
GR01 | Patent grant | ||
GR01 | Patent grant |