CN113627230B - 一种基于机器视觉的视网膜oct图像自动分割方法 - Google Patents
一种基于机器视觉的视网膜oct图像自动分割方法 Download PDFInfo
- Publication number
- CN113627230B CN113627230B CN202110665009.4A CN202110665009A CN113627230B CN 113627230 B CN113627230 B CN 113627230B CN 202110665009 A CN202110665009 A CN 202110665009A CN 113627230 B CN113627230 B CN 113627230B
- Authority
- CN
- China
- Prior art keywords
- boundary
- layer
- image
- rpe
- stay wire
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000011218 segmentation Effects 0.000 title claims abstract description 9
- 241000270295 Serpentes Species 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 8
- 210000004126 nerve fiber Anatomy 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000002207 retinal effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 2
- 208000010412 Glaucoma Diseases 0.000 description 2
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 201000011190 diabetic macular edema Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000238097 Callinectes sapidus Species 0.000 description 1
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 1
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
一种基于机器视觉的视网膜OCT图像自动分割方法，对相机采集回视网膜OCT图像采用拉线法结合梯度法分别求得视网膜OCT图像最上层和最下层边界，根据其边界信息将整个图像变换到水平位置，使得变换后的RPE边界成为水平线，然后采用水平矩形的高斯模板进行去噪，再将图像进行逆水平变换，复原为RPE原先的圆弧形状，完成了整幅图像的去噪及上下边界NFL及RPE层的边界提取，再逐层分别运用snake模型算法找出各层的边界，本发明运用机器视觉算法定量的对视网膜OCT图像进行各组织层厚度计算自动获取视网膜各层边界信息，将极大的提高眼科医生的诊治效率，同时降低误诊或漏诊率。
Description
技术领域
本发明具体涉及视网膜OCT图像处理技术领域，具体涉及一种基于机器视觉的视网膜OCT图像自动分割方法。
背景技术
许多严重的眼疾病(比如老年性黄斑变性、脉络膜新生血管病、青光眼)会引起视网膜和脉络膜的结构改变，为了定量评估这些变化，需要对不同组织层厚度进行基于分割的量化。研究表明，精确的分割能对许多常见疾病诊断起帮助作用，比如青光眼、糖尿病性视网膜病和老年性黄斑变性。
而OCT尤其是SD-OCT推出之后，扫描速度和分辨率都有了质的提升，医生可以看到更清晰的视网膜结构，然而，采集到的数据大量增长，要分析的数据量也显著增加。对于眼科OCT图像来说，手动分割非常耗时，因此，自动分析算法或软件对临床应用变得越来越重要，因为大量的体数据不再可能通过主观视觉识别或手动标记来分析。
由于目前仪器固有的原因，视网膜OCT图像通常具有非常高的噪声水平，增大了眼科医生的观察难度。其次，视网膜黄斑区层间组织的分界线具有一定的弥散性，这使得交界处附近的组织辨识起来有一定的难度。而且，位于整个视网膜中层的内核层，外网状层和外核-髓内段层成像后的颜色对比度也比较低，与背景色非常接近。对于患有早期糖尿病黄斑水肿的病例，位于这些层之间与背景色相同且呈空洞状的积液体积较小，往往极难被观察清楚，而对于比较严重的糖尿病黄斑水肿患者，其积液体积占比较大，将其附近层次组织挤压变形，使得这些层很难被观察清楚，所以经常会出现即使是专业眼科医生之间的标注结果也会有着极大差异的情况。因此，运用机器视觉算法定量的对视网膜OCT图像进行各组织层厚度计算，将极大的提高眼科医生的诊治效率，同时降低误诊或漏诊率。
发明内容
为了解决现有技术存在的技术缺陷，本发明提供了一种基于机器视觉的视网膜OCT图像自动分割方法。
本发明采用的技术解决方案是：一种基于机器视觉的视网膜OCT图像自动分割方法，包括以下步骤：
中值滤波去噪：将采集的视网膜OCT图像，进行中值滤波去噪；
拉线法+梯度法求得视网膜OCT图像最上层和最下层边界：视网膜OCT图像是水平方向的圆弧形状，采用垂直方向拉线法设置表示自上而下的垂直拉线方向的红色箭头，表示自下而上的垂直拉线方向的蓝色箭头，计算每一条拉线方向的灰度梯度变换值，取其中最大值作为该拉线上的边界点，每一条拉线只能有一个边界点，且相邻拉线上的边界点必须满足8邻域连接原则，保证提取的边界点连续、光滑且符合实际情况，根据红色箭头拉线方向提取的视神经纤维层NFL边界，根据蓝色箭头拉线方向提取的RPE层边界；
根据RPE层边界水平化图像:根据提取的RPE层边界线坐标，将原始采集到的视网膜OCT图像进行水平化，既通过移动每列图像，使得RPE边界线位置位于一条水平线；
水平方向高斯滤波去除噪声：将图像拉平到水平方向，然后再采用水平方向的高斯去噪，最大限度的保留分界线，同时去除散斑噪声的影响，高斯去噪公式如下：
其中(x，y)代表到所计算的中心像素点的坐标位置，σ是标准差；
逆水平变换：根据上面的水平变换参数，将去噪后的图像进行反向变换，恢复到原先图像的弯曲状态；
使用snake模型算法找出边界：完成了最上层视神经纤维层NFL和最下层RPE层下边界提取后，将其作为分割其他层的基准，自RPE层起由下而上逐层使用snake模型算法，设置一定的边界限制条件，按照感光层外段OS、感光层内段IS、外界膜ELM、外核层ONL、外从状层OPL、内核层INL、进行边界跟踪，
snake模型可用如下公式表示：
E＝∫[αEcontinuity+βEcurvature+γEimage]
式中α、β、γ是权重系数，Econtinuity表示连续能量，该项的作用是让snake模型中各边界点之间的距离更均匀，其离散化形式可以写为Pi-Pi-1(Pi表示第i点的坐标向量)；Ecurvature表示曲率能量，其作用是使得snake模型更光滑，可表示为|Pi-1-2Pi+Pi+1|，Eimage表示图像能量，其作用是使得snake模型逼近图像中的边界，可表示为(gcur-gmin)/(gmax-gmin)，其中gcur、gmax和gmin分别表示为当前点的灰度梯度模、邻域内点的灰度梯度模的最大值和最小值；
输出各边界线坐标。
所述的8邻域连接原则为中心点相邻的左右两列拉线上的边界点分别只能有三个点的选择。
所述的去高斯去噪的高斯函数为宽度宽而高度窄的矩形高斯核函数。
本发明的有益效果是：本发明提供了一种基于机器视觉的视网膜OCT图像自动分割方法，采用相机采集回视网膜OCT图像，首先进行中值滤波去噪，再采用拉线法结合梯度法分别求得视网膜OCT图像最上层和最下层边界，由于RPE边界接近与规整的圆弧形状，根据其边界信息将整个图像变换到水平位置，使得变换后的RPE边界成为水平线，然后采用水平矩形的高斯模板进行去噪，再将图像进行逆水平变换，复原为RPE原先的圆弧形状。此时完成了整幅图像的去噪及上下边界NFL及RPE层的边界提取，根据上下边界信息做为约束条件，加上先验的视网膜各层顺序排列及大致间隔，可以逐层分别运用snake模型算法找出各层的边界，本发明运用机器视觉算法定量的对视网膜OCT图像进行各组织层厚度计算自动获取视网膜各层边界信息，将极大的提高眼科医生的诊治效率，同时降低误诊或漏诊率。
附图说明
图1是本发明的流程示意图。
图2是本发明垂直方向拉线法示意图。
图3是8领域连接图。
图4是高斯模板坐标位置示意图。
图5是11*3的矩形高斯模板示意图。
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、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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的的所有其他实施例，都属于本发明保护的范围。
一种基于机器视觉的视网膜OCT图像自动分割方法，包括以下步骤：
中值滤波去噪：将采集的视网膜OCT图像，进行中值滤波去噪；
拉线法+梯度法求得视网膜OCT图像最上层和最下层边界：视网膜OCT图像是水平方向的圆弧形状，采用垂直方向拉线法设置表示自上而下的垂直拉线方向的红色箭头，表示自下而上的垂直拉线方向的蓝色箭头，计算每一条拉线方向的灰度梯度变换值，取其中最大值作为该拉线上的边界点，每一条拉线只能有一个边界点，且相邻拉线上的边界点必须满足8邻域连接原则，保证提取的边界点连续、光滑且符合实际情况，根据红色箭头拉线方向提取的视神经纤维层NFL边界，根据蓝色箭头拉线方向提取的RPE层边界；
根据RPE层边界水平化图像:根据提取的RPE层边界线坐标，将原始采集到的视网膜OCT图像进行水平化，既通过移动每列图像，使得RPE边界线位置位于一条水平线；
水平方向高斯滤波去除噪声：将图像拉平到水平方向，然后再采用水平方向的高斯去噪，最大限度的保留分界线，同时去除散斑噪声的影响，高斯去噪公式如下：
其中(x，y)代表到所计算的中心像素点的坐标位置，σ是标准差；
逆水平变换：根据上面的水平变换参数，将去噪后的图像进行反向变换，恢复到原先图像的弯曲状态；
使用snake模型算法找出边界：完成了最上层视神经纤维层NFL和最下层RPE层下边界提取后，将其作为分割其他层的基准，自RPE层起由下而上逐层使用snake模型算法，设置一定的边界限制条件，按照感光层外段OS、感光层内段IS、外界膜ELM、外核层ONL、外从状层OPL、内核层INL、进行边界跟踪，
snake模型可用如下公式表示：
E＝∫[αEcontinuity+βEcurvature+γEimage]
式中α、β、γ是权重系数，Econtinuity表示连续能量，该项的作用是让snake模型中各边界点之间的距离更均匀，其离散化形式可以写为Pi-Pi-1(Pi表示第i点的坐标向量)；Ecurvature表示曲率能量，其作用是使得snake模型更光滑，可表示为|Pi-1-2Pi+Pi+1|，Eimage表示图像能量，其作用是使得snake模型逼近图像中的边界，可表示为(gcur-gmin)/(gmax-gmin)，其中gcur、gmax和gmin分别表示为当前点的灰度梯度模、邻域内点的灰度梯度模的最大值和最小值；
输出各边界线坐标。
所述的8邻域连接原则为中心点相邻的左右两列拉线上的边界点分别只能有三个点的选择。
所述的去高斯去噪的高斯函数为宽度宽而高度窄的矩形高斯核函数。
算法解释：
1.中值滤波
中值滤波是一种非线性平滑技术，经常用于去除图像或者其它信号中的噪声。如果一个信号是平缓变化的，那么某一点的输出值可以用这点的邻域内的所有值的统计中值来代替，从而消除孤立的噪声点。这个邻域在信号处理领域称之为窗或模板。窗开的越大，输出的结果就越平滑，但也可能会把我们有用的信号特征给抹掉。所以窗的大小和形状要根据真实采集到的图像噪声特性来确定，本项目中选择基数大小的正方形模板。
2.拉线法+梯度法求得视网膜OCT图像最上层和最下层边界
视网膜OCT图像是水平方向的圆弧形状，因此采用垂直方向拉线法(如下图2所示)，其中红色箭头表示自上而下的垂直拉线方向，蓝色箭头表示自下而上的垂直拉线方向。计算每一条拉线方向的灰度梯度变换值，取其中最大值作为该拉线上的边界点，每一条拉线只能有一个边界点，且相邻拉线上的边界点必须满足8邻域连接原则(如下图3所示)，既图中橙色的中心点相邻的左右两列拉线上的边界点分别只能有三个蓝色点的选择(3选1)，这样就能保证提取的边界点连续、光滑且符合实际情况。绿色曲线为根据红色箭头拉线方向提取的视神经纤维层NFL边界，黄色曲线为根据蓝色箭头拉线方向提取的RPE层边界。
3.水平化图像及高斯去噪
根据提取的RPE层边界线坐标，将原始采集到的视网膜OCT图像进行水平化，既通过移动每列图像，使得RPE边界线位置位于一条水平线。由于视网膜OCT图像分析的难点之一是散斑噪声，而之前在原始图像上进行的中值滤波对对比度不明显的位于NFL和RPE间的边界点会有消弱作用，这里根据视网膜OCT图像的先验知识，先将图像拉平到水平方向，然后再采用水平方向的高斯去噪，能最大限度的保留分界线，同时去除散斑噪声的影响。
高斯去噪公式如下：
其中(x，y)代表到所计算的中心像素点的坐标位置(如下图4所示)，σ是标准差，可根据真实情况进行设置。为了最大可能保留去噪后的图像边界信息，这里采用宽度宽而高度窄的矩形高斯核函数，以宽度11高度3的高斯模板为例，其形状如下图5所示，红色区域为中心点像素。
4.逆水平变换
根据上面的水平变换参数，将去噪后的图像进行反向变换，恢复到原先图像的弯曲状态。
Snake模型算法：
完成了最上层视神经纤维层NFL和最下层RPE层下边界提取后，将其作为分割其他层的基准，自RPE层起由下而上逐层使用snake模型算法，设置一定的边界限制条件，例如厚度限制等，按照感光层外段OS、感光层内段IS、外界膜ELM、外核层ONL、外从状层OPL、内核层INL、进行边界跟踪。
经典的snake模型可用如下公式表示：
E＝∫[αEcontinuity+βEcurvature+γEimage]
式中α、β、γ是权重系数，Econtinuity表示连续能量，该项的作用是让snake模型中各边界点之间的距离更均匀，其离散化形式可以写为Pi-Pi-1(Pi表示第i点的坐标向量)；Ecurvature表示曲率能量，其作用是使得snake模型更光滑，可表示为|Pi-1-2Pi+Pi+1|，Eimage表示图像能量，其作用是使得snake模型逼近图像中的边界，可表示为(gcur-gmin)/(gmax-gmin)，其中gcur、gmax和gmin分别表示为当前点的灰度梯度模、邻域内点的灰度梯度模的最大值和最小值。
根据对视网膜OCT图像的结构特性和先验知识，在运用snake模型的时候可以设置一些条件限制，例如图像中每一列只能有一个边界点，且每一列边界点与其前后相邻列的边界点必须满足8邻域连接等。
各位技术人员须知：虽然本发明已按照上述具体实施方式做了描述，但是本发明的发明思想并不仅限于此发明，任何运用本发明思想的改装，都将纳入本专利专利权保护范围内。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于机器视觉的视网膜OCT图像自动分割方法，其特征在于,包括以下步骤：
中值滤波去噪：将采集的视网膜OCT图像，进行中值滤波去噪；
拉线法+梯度法求得视网膜OCT图像最上层和最下层边界：视网膜OCT图像是水平方向的圆弧形状，采用垂直方向拉线法设置表示自上而下的垂直拉线方向的红色箭头，表示自下而上的垂直拉线方向的蓝色箭头，计算每一条拉线方向的灰度梯度变换值，取其中最大值作为该拉线上的边界点，每一条拉线只能有一个边界点，且相邻拉线上的边界点必须满足8邻域连接原则，保证提取的边界点连续、光滑且符合实际情况，根据红色箭头拉线方向提取的视神经纤维层NFL边界，根据蓝色箭头拉线方向提取的RPE层边界；
根据RPE层边界水平化图像:根据提取的RPE层边界线坐标，将原始采集到的视网膜OCT图像进行水平化，既通过移动每列图像，使得RPE边界线位置位于一条水平线；
水平方向高斯滤波去除噪声：将图像拉平到水平方向，然后再采用水平方向的高斯去噪，最大限度的保留分界线，同时去除散斑噪声的影响，高斯去噪公式如下：
；
其中（x，y）代表到所计算的中心像素点的坐标位置，σ是标准差；
逆水平变换：根据上面的水平变换参数，将去噪后的图像进行反向变换，恢复到原先图像的弯曲状态；
使用snake模型算法找出边界：完成了最上层视神经纤维层NFL和最下层RPE层下边界提取后，将其作为分割其他层的基准，自RPE层起由下而上逐层使用snake模型算法，设置一定的边界限制条件，按照感光层外段OS、感光层内段IS、外界膜ELM、外核层ONL、外从状层OPL、内核层INL、进行边界跟踪，
snake模型可用如下公式表示：
式中α、β、γ是权重系数，表示连续能量，该公式的作用是让snake模型中各边界点之间的距离更均匀，其离散化形式可以写为Pi-Pi-1，Pi表示第i点的坐标向量；/>表示曲率能量，其作用是使得snake模型更光滑，可表示为|Pi-1-2Pi+Pi+1|，/>表示图像能量，其作用是使得snake模型逼近图像中的边界，可表示为（gcur-gmin）/(gmax-gmin)，其中gcur、gmax和gmin分别表示为当前点的灰度梯度模、邻域内点的灰度梯度模的最大值和最小值；
输出各边界线坐标。
2.根据权利要求1所述的基于机器视觉的视网膜OCT图像自动分割方法，其特征在于，所述的8邻域连接原则为中心点相邻的左右两列拉线上的边界点分别只能有三个点的选择。
3.根据权利要求1所述的基于机器视觉的视网膜OCT图像自动分割方法，其特征在于，所述的高斯去噪的高斯函数为宽度宽而高度窄的矩形高斯核函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665009.4A CN113627230B (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器视觉的视网膜oct图像自动分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110665009.4A CN113627230B (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器视觉的视网膜oct图像自动分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627230A CN113627230A (zh) | 2021-11-09 |
| CN113627230B true CN113627230B (zh) | 2023-10-31 |
Family
ID=78378118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110665009.4A Active CN113627230B (zh) | 2021-06-16 | 2021-06-16 | 一种基于机器视觉的视网膜oct图像自动分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627230B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964118A (zh) * | 2010-09-30 | 2011-02-02 | 华北电力大学（保定） | 一种血管内超声图像序列的三维分割方法 |
| CN106485721A (zh) * | 2015-08-31 | 2017-03-08 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
| CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
| CN107871322A (zh) * | 2016-09-27 | 2018-04-03 | 北京眼神科技有限公司 | 虹膜图像分割方法和装置 |
| CN108830856A (zh) * | 2018-05-25 | 2018-11-16 | 南京理工大学 | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 |
| CN109325955A (zh) * | 2018-09-06 | 2019-02-12 | 浙江科技学院 | 一种基于oct图像的视网膜分层方法 |
| CN110298848A (zh) * | 2019-07-01 | 2019-10-01 | 南京医科大学眼科医院 | 基于生物启发的oct图像水肿区域边界提取方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10123689B2 (en) * | 2015-10-28 | 2018-11-13 | Oregon Health & Science University | Systems and methods for retinal layer segmentation in OCT imaging and OCT angiography |
| US11717155B2 (en) * | 2019-08-21 | 2023-08-08 | Oregon Health & Science University | Identifying retinal layer boundaries |
-
2021
- 2021-06-16 CN CN202110665009.4A patent/CN113627230B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964118A (zh) * | 2010-09-30 | 2011-02-02 | 华北电力大学（保定） | 一种血管内超声图像序列的三维分割方法 |
| CN106485721A (zh) * | 2015-08-31 | 2017-03-08 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
| WO2017036231A1 (zh) * | 2015-08-31 | 2017-03-09 | 深圳先进技术研究院 | 从光学相干断层图像获取视网膜结构的方法及其系统 |
| CN107871322A (zh) * | 2016-09-27 | 2018-04-03 | 北京眼神科技有限公司 | 虹膜图像分割方法和装置 |
| CN106600614A (zh) * | 2016-12-19 | 2017-04-26 | 南京理工大学 | 基于凹凸性的sd‑oct视网膜图像cnv分割方法 |
| CN108830856A (zh) * | 2018-05-25 | 2018-11-16 | 南京理工大学 | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 |
| CN109325955A (zh) * | 2018-09-06 | 2019-02-12 | 浙江科技学院 | 一种基于oct图像的视网膜分层方法 |
| CN110298848A (zh) * | 2019-07-01 | 2019-10-01 | 南京医科大学眼科医院 | 基于生物启发的oct图像水肿区域边界提取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627230A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ho et al. | An atomatic fundus image analysis system for clinical diagnosis of glaucoma | |
| CN106558030B (zh) | 三维大视野扫频光学相干断层成像中脉络膜的分割方法 | |
| CN111292338B (zh) | 一种从眼底oct图像中分割脉络膜新生血管的方法及系统 | |
| US20240074658A1 (en) | Method and system for measuring lesion features of hypertensive retinopathy | |
| CN108257126B (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
| CN108836257B (zh) | 一种眼底oct图像中视网膜分层方法 | |
| CN103942780B (zh) | 基于改进模糊连接度算法的丘脑及其子结构分割方法 | |
| CN112384127A (zh) | 眼睑下垂检测方法及系统 | |
| SG172159A1 (en) | A method and system for determining the position of an optic cup boundary | |
| CN111563884A (zh) | 基于神经网络的眼底疾病识别方法、计算机设备及介质 | |
| Akram et al. | Blood vessel enhancement and segmentation using wavelet transform | |
| Sangeethaa | Presumptive discerning of the severity level of glaucoma through clinical fundus images using hybrid PolyNet | |
| CN113627230B (zh) | 一种基于机器视觉的视网膜oct图像自动分割方法 | |
| Samawi et al. | Optic disc segmentation in retinal fundus images using morphological techniques and intensity thresholding | |
| CN110033496B (zh) | 时间序列三维视网膜sd-oct图像的运动伪差校正方法 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| Akram et al. | Retinal image blood vessel segmentation | |
| CN115294152A (zh) | 视网膜oct图像自动分层方法及系统 | |
| CN111291706B (zh) | 一种视网膜图像视盘定位方法 | |
| Akram et al. | Gabor wavelet based vessel segmentation in retinal images | |
| Fang et al. | Lens structure segmentation from AS-OCT images via shape-based learning | |
| CN108269258B (zh) | 从oct角膜图像分割角膜结构的方法和系统 | |
| WO2015154199A1 (en) | Method for the analysis of image data representing a three-dimensional volume of biological tissue | |
| Mostafa et al. | Diagnosis of Glaucoma from Retinal Fundus Image Using Deep Transfer Learning | |
| Akram et al. | Retinal images: blood vessel segmentation by threshold probing |
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 |