CN114387209A - 眼底结构特征确定的方法、装置、介质和设备 - Google Patents
眼底结构特征确定的方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN114387209A CN114387209A CN202111461320.3A CN202111461320A CN114387209A CN 114387209 A CN114387209 A CN 114387209A CN 202111461320 A CN202111461320 A CN 202111461320A CN 114387209 A CN114387209 A CN 114387209A
- Authority
- CN
- China
- Prior art keywords
- target detection
- target
- fundus
- detection point
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 399
- 230000002792 vascular Effects 0.000 claims abstract description 84
- 238000012549 training Methods 0.000 claims description 62
- 210000004204 blood vessel Anatomy 0.000 claims description 32
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 210000004220 fundus oculi Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000001367 artery Anatomy 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20—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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种眼底结构特征确定的方法、装置、介质和设备，该方法包括：获取眼底图像；将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框；根据第一目标检测框确定第一目标检测点和第二目标检测点，根据第一目标检测点和第二目标检测点确定视盘中心点，根据第二目标检测框确定第三目标检测点和第四目标检测点；根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，从而确定血管弓。通过精确的确定眼底血管弓及其拟合曲线，不仅有利于帮助识别眼别，同时也有利于了解眼底异常和异常精细分析。
Description
技术领域
本发明涉及眼底图像特征获取领域，具体涉及眼底结构特征确定的方法、装置、介质和设备。
背景技术
在眼底图像中，血管弓是眼底基本特征之一，对其进行检测和识别，不仅有利于判别眼别(左右眼)，也有利于帮助了解眼底异常，同时也为眼底疾病分析提供更多有价值的信息。对眼底图像中的血管进行分割(即将血管从背景中识别出来)和分类(即对血管进行分类)在临床诊断和治疗中具有重要意义。以眼底血管为例，眼底是人体唯一一处可以直接无介入观测血管的区域，很多全身性的疾病和心脑血管疾病都会影响眼底血管的形态，并且对动脉和静脉的形成不同的影响。比如，临床研究证实眼底动静脉比的降低，会引起脑卒中风险的升高；眼底动脉的变窄和高血压的发展相关。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术中缺少眼底血管弓的提取方法。
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结构特征确定的方法、装置、介质和设备，能够快速精细的确定血管弓特征，并获得其拟合曲线。
为达上述目的，第一方面，提供一种眼底结构特征确定的方法，其包括：
获取眼底图像；
将所述眼底图像和眼底图像输入预先训练好的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框；
根据所述第一目标检测框确定第一目标检测点和第二目标检测点，根据所述第一目标检测点和所述第二目标检测点确定视盘中心点，根据所述第二目标检测框确定第三目标检测点和第四目标检测点；
根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点，确定眼底血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓。
在一些可能的实施方式中，还包括：获取眼底训练图像；对所述眼底图像进行标注，获得训练样本；将所述训练样本输入深度学习目标框检测网络进行训练，获得所述目标框检测模型。
在一些可能的实施方式中，所述的对所述眼底训练图像进行标注，获得训练样本，具体包括：
确定所述眼底训练图像中视盘的外接矩形框，获取第一样本检测框，确定所述第一样本检测框的对角线的第一顶点和第二顶点，获取第一样本检测点和第二样本检测点，并根据所述第一样本检测点和所述第二样本检测点确定视盘中心点；
确定所述眼底图像中主血管的下半部分和主血管的上半部分，以所述视盘中心点为圆心，以任意半径长度为半径画圆，与所述主血管的下半部分相交获取第三样本检测点，过所述第三样本检测点做垂线与所述主血管的上半部分相交获取第一辅助交点，过所述第一辅助交点做水平线与过所述视盘中心点的垂线相交的获取第四样本检测点，根据所述第三样本检测点、第一辅助交点与所述第四样本检测点，确定第二样本检测框；
根据所述第一样本检测框和所述第二样本检测框获取所述训练样本。
在一些可能的实施方式中，所述的将所述训练样本输入深度学习目标框检测网络进行训练，获取目标框检测模型，具体包括：
步骤S1：将所述训练样本输入深度学习目标框检测网络进行卷积，获取不同尺度特征图；
步骤S2：在所述不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比目标预选框；
步骤S3：将所述目标预选框根据预设的交并比确定第一目标检测框和第二目标检测框，根据所述第一目标检测框确定第一目标检测点和第二目标检测点，并计算所述第一目标检测点和所述第二目标检测点的坐标相对于所述第一样本检测点和所述第二样本检测点的坐标误差值，根据所述第二目标检测框确定第三目标检测点和第四目标检测点的坐标，并计算所述第三目标检测点和所述第四目标检测点的坐标相对于所述第三样本检测点和所述第四样本检测点的坐标误差值；
以上步骤S1至步骤S3不断地迭代，直至所述误差值降低到预设误差值，获取目标框检测模型。
在一些可能的实施方式中，所述的将所述眼底图像输入预先训练好的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框，具体包括：
将所述眼底图像输入所述目标框检测模型进行卷积，获取不同尺度特征图；
在所述每个尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比的目标预选框；
将所述不同尺度特征图上的目标预选框进行结合，使用非最大值抑制方法分别选取所述第一目标检测框和所述第二目标检测框。
在一些可能的实施方式中，所述的根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点获得血管弓拟合曲线，具体包括：
将所述第三目标检测点、所述视盘中心点和所述第四目标检测点依次连接，
以所述第三目标检测点为起始端点，以所述第四目标检测点为终止端点，通过贝塞尔函数拟合确定眼底血管弓拟合曲线。
在一些可能的实施方式中，还包括：根据所述视盘中心点、所述第三目标检测点和第四目标检测点，确定眼底血管弓的开角。
第二方面，本发明提供了眼底结构特征确定的装置，包括：
获取模块，获取眼底图像；
目标框检测模块，用于将所述眼底图像输入预先训练好的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框；
第一确定模块，用于根据所述第一目标检测框确定第一目标检测点和第二目标检测点，根据所述第一目标检测点和所述第二目标检测点确定视盘中心点，根据所述第二目标检测框确定第三目标检测点和第四目标检测点；
第二确定模块，用于根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点，确定眼底血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一种眼底结构特征确定的方法。
第四方面，本发明提供了一种眼底结构特征确定的设备，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上任意一种的眼底结构特征确定的方法。
上述技术方案具有如下有益效果：
本发明实施例通过将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框；根据第一目标测框确定视盘中心点，根据第二目标检测框确定第一目标检测点和第二目标检测点；根据视盘中心点、第一目标检测点和第二目标检测点，获得眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
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是本发明实施例的一种眼底结构特征确定的方法的流程图；
图2A是本发明实施例作为举例说明的一种获取训练样本的示意图；
图2B是本发明实施例的一种计算交并比的示意图；
图2C是本发明实施例作为一举例说明的获取目标框检测模型的示意图；
图2D是本发明实施例的一种在不同尺度的特征图上生成的不同长宽比的目标预选框的示意图；
图3A是本发明实施例的一种眼底血管弓及其拟合曲线的示意图；
图3B是本发明实施例作为一个举例的测量血管弓开角的示意图；
图4A是本发明实施例的一种眼底结构特征确定的装置的功能框图；
图4B是本发明实施例的一种模型确定模块的结构框图；
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；
图6是本发明实施例的一种眼底结构特征确定的设备的功能框图。
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。
血管弓即眼底主动静脉构成的区域，由于其形状近视弓形，因此称作血管弓，可分为眼底动脉血管弓、眼底静脉血管弓以及次动静脉血管弓。
实施例一
图1是本发明实施例的一种眼底结构特征确定的方法的流程图。如图1所示，该方法包括如下步骤：
S110：获取眼底图像。
具体地，本步骤中可先对眼底图像执行预处理，具体可以包括去燥、归一化和增强。去燥主要是去除眼底影像在拍摄成像过程中的噪声，减弱其对血管特征的干扰。归一化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，使得技术产品化成为可能。增强主要是拉大感兴趣特征与背景特征的差异，从而使得特征更加凸显，便于进行阈值分割和特征提取。
S120：将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框。
在一些实施例中，步骤S120中的目标框检测模型的训练过程具体包括：
S121：获取眼底训练图像；
S122：对眼底训练图像进行标注，获得训练样本；
在一些实施例中，对眼底训练图像进行标注，获得训练样本，具体包括：
图2A是本发明实施例作为举例的一种获取训练样本示意图，如图2A所示：
以左眼为例(右眼为左眼的镜像操作)确定眼底训练图像视盘的外接矩形框，获取第一样本检测框，确定第一检测框的对角线的第一顶点E和第二顶点F，将第一顶点E作为第一样本检测点，第二顶点F作为第二样本检测点，根据第一顶点E和第二顶点F确定视盘中心点D，即根据第一样本检测点和第二样本检测点确定视盘中心点D；
确定眼底图像中主血管的下半部分G1和眼底主血管的上半部分G2，以视盘中心点D为圆心，以任意半径长度为半径画圆(优选的，直径长度为1pd～3pd)，与主血管的下半部分G1相交获取第三样本检测点B，过第三样本检测点B做垂线L1与主血管的上半部分G2相交获取第第一辅助交点C，过第一辅助交点C做水平线L2与过视盘中心点D的垂线L3相交的获取第四样本检测点A，根据第三样本检测点B、第一辅助交点C和第四样本检测点A，确定第二样本检测框；依据第一样本检测框和第二样本检测框获取训练样本。
步骤S123：将训练样本输入深度学习目标框检测网络进行训练，获取目标框检测模型；
在一些实施例中，步骤S123中将训练样本输入深度学习目标框检测网络进行训练，获取目标框检测模型，具体包括：
步骤S1：将训练样本输入深度学习目标框检测网络进行卷积，获取不同尺度特征图；
步骤S2：在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比目标预选框；
步骤S3：步骤S3：将目标预选框根据预设的交并比确定第一目标检测框和第二目标检测框，根据第一目标检测框确定第一目标检测点和第二目标检测点，并计算第一目标检测点和第二目标检测点的坐标相对于第一样本检测点和第二样本检测点的坐标误差值，根据第二目标检测框确定第三目标检测点和第四目标检测点的坐标，并计算第三目标检测点和第四目标检测点的坐标相对于第三样本检测点和第四样本检测点的坐标误差值；
以上步骤S1至步骤S3不断地迭代，直至误差值降低到预设误差值，获取目标框检测模型。
其中，交并比，全称Intersection over Union(简称IoU)，是“预测的边框”和“真实的边框”的交集和并集的比值，图2B是本发明实施例的一种计算交并比的示意图。
图2C是本发明实施例作为一举例说明的获取目标框检测模型示意图，如图2C所示：
将训练样本与标注的坐标点一同输入深度学习目标框检测网络进行卷积，获取不同尺度特征图，例如，图2C中的特征图1、特征图2、特征图3；在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比目标预选框，图2D是本发明实施例的一种在不同尺度的特征图上生成的不同长宽比的目标预选框示意图，如图2D所示，每一个尺度的特征图中分为多个单元格，例如8x8的特征图划分为64个单元格，4x4的特征图划分为16个单元格，每一个单元格都对应原图中的一组特征，在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比的目标预选框，然后根据预设的交并比确定多个目标检测框；交并比是“预测的边框”和“真实的边框”的交集和并集的比值，即预选目标框与目标检测框的“交集”和“并集”的比值，即预选目标框与目标检测框的交集和并集的比值；
根据第一目标检测框确定视盘中心点，并计算视盘中心点的坐标相对于第一样本检测点的坐标误差值，根据第二目标检测框确定第一检测点和第二目标检测点的坐标，并计算第一目标检测点和第二目标检测点的坐标相对于第一样本检测点和第二样本检测点的坐标的误差值，即(x1’,y1’)、(x2’,y2’)、(x3’,y3’)……,将确定的坐标点与标注的坐标点(x1,y1)、(x2,y2)、(x3,y3)……计算差值，即|x1’-x1|＝△x1，|y1’-y1|＝△y1……,上述步骤不断地迭代，直至差值(△x1，△y1……)降低到预设的坐标误差。
在一些实施例中，深度学习目标框检测网络为Single Shot MultiBox Detector(简称SSD深度学习网络)，SSD深度学习网络使用了多种数据增强的算法，包括水平翻转、裁剪、放大和缩小等，可以明显的提高算法的性能，使得该方法对输入的不同大小和不同形状的目标检测具有更好的鲁棒性。
S130：根据第一目标检测框确定第一目标检测点和第二目标检测点，根据第一目标检测点和第二目标检测点确定视盘中心点，根据第二目标检测框确定第三目标检测点和第四目标检测点。
在一些实施例中，依据第一目标检测框的对角线上的两个顶点确定第一目标检测点和第二目标检测点，通过第一目标检测点和第二目标检测点来确定视盘中心点，依据第二目标检测框上对角线上的两个顶点确定第三目标检测点和第四目标检测点。
S140：根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。
在一些实施例中，步骤S140中根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓，具体包括：
图3A是本发明实施例的一种眼底血管弓拟合曲线的示意图，如图3A所示，将第三目标检测点B、视盘中心点D和第四目标检测点C依次连接，以第三目标检测点B为起始端点，以第四目标检测点C为终止端点，通过贝塞尔函数拟合确定眼底血管弓拟合曲线L，通过眼底血管弓拟合曲线L确定眼底血管弓。
通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
在一些实施例中，还包括：根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓的开角，图3B是本发明实施例作为一个举例的测量血管弓开角的示意图，如图3所示：将视盘中心点D与第三目标检测点B连接，确定第一条线段LDG，将视盘中心点D与第四目标检测点C连接，确定第二条线段LDC，第一条线段LDB与第二条线段LDC之间的夹角即血管弓的开角θ。通过测量血管弓的开角，便于分析眼底血管形状变化趋势。
本发明实施例提供的眼底特征结构的确定方法，通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
实施例二
图4A是本发明实施例的一种眼底结构特征确定的装置的功能框图，如图4A所示，基于类似的发明构思，该眼底结构特征确定的装置400包括：
获取模块410，用于获取眼底图像；具体的，获取模块用于对眼底图像执行预处理，具体可以包括去燥、归一化和增强。去燥主要是去除眼底影像在拍摄成像过程中的噪声，减弱其对血管特征的干扰。归一化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，使得技术产品化成为可能。增强主要是拉大感兴趣特征与背景特征的差异，从而使得特征更加凸显，便于进行阈值分割和特征提取。
目标框检测模块420，将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框；具体的，本实施例中，眼底结构特征确定的装置400还包括：
模型训练模块450，如图4B所示，模型训练模块450包括：
训练图像获取单元451，用于获取眼底训练图像；
标注单元452，用于对眼底训练图像进行标注，获得训练样本；
在一些实施例中，如图2A所示，标注单元具体用于：
以左眼为例(右眼为左眼的镜像操作)确定眼底训练图像视盘的外接矩形框，获取第一样本检测框，确定第一检测框的对角线的第一顶点E和第二顶点F，将第一顶点E作为第一样本检测点，第二顶点F作为第二样本检测点，根据第一顶点E和第二顶点F确定视盘中心点D，即根据第一样本检测点和第二样本检测点确定视盘中心点D；
确定眼底图像中主血管的下半部分G1和眼底主血管的上半部分G2，以视盘中心点D为圆心，以任意半径长度为半径画圆(优选的，直径长度为1pd～3pd)，与主血管的下半部分G1相交获取第三样本检测点B，过第三样本检测点B做垂线L1与主血管的上半部分G2相交获取第第一辅助交点C，过第一辅助交点C做水平线L2与过视盘中心点D的垂线L3相交的获取第四样本检测点A，根据第三样本检测点B、第一辅助交点C和第四样本检测点A，确定第二样本检测框；依据第一样本检测框和第二样本检测框获取训练样本。
模型获取单元453，用于将训练样本输入深度学习目标框检测网络进行训练，获取目标框检测模型；具体的，模型获取单元453将训练样本输入深度学习目标框检测网络进行卷积，获取不同尺度特征图，在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比目标预选框，将目标预选框根据预设的交并比确定第一目标检测框和第二目标检测框，根据第一目标检测框确定第一目标检测点和第二目标检测点，并计算第一目标检测点和第二目标检测点的坐标相对于第一样本检测点和第二样本检测点的坐标误差值，根据第二目标检测框确定第三目标检测点和第四目标检测点的坐标，并计算第三目标检测点和第四目标检测点的坐标相对于第三样本检测点和第四样本检测点的坐标误差值；此处不断地迭代，直至误差值降低到预设误差值，获取目标框检测模型。第一确定模块430，根据第一目标检测框确定第一目标检测点和第二目标检测点，根据第一目标检测点和第二目标检测点确定视盘中心点，根据第二目标检测框确定第三目标检测点和第四目标检测点；具体的，第一确定模块430根据第一目标检测框的对角线上的两个顶点确定第一目标检测点和第二目标检测点，通过第一目标检测点和第二目标检测点来确定视盘中心点，依据第二目标检测框上对角线上的两个顶点确定第三目标检测点和第四目标检测点
第二确定模块440，根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。具体的，如图3A所示，第二确定模块440将第三目标检测点B、视盘中心点D和第四目标检测点C依次连接，以第三目标检测点B为起始端点，以第四目标检测点C为终止端点，通过贝塞尔函数拟合确定眼底血管弓拟合曲线L，通过眼底血管弓拟合曲线L确定眼底血管弓。本发明实施例提供的眼底特征结构的确定装置，通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
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。
实施例三
图5是本发明实施例提供的一种计算机可读存储介质500。如图5所示，该计算机可读存储介质500内存储有计算机程序510，计算机程序510被处理器执行时,实现：
获取眼底图像；
将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框；
根据第一目标检测框确定第一目标检测点和第二目标检测点，根据第一目标检测点和第二目标检测点确定视盘中心点，根据第二目标检测框确定第三目标检测点和第四目标检测点；
根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。
本发明实施例提供的一种计算机可读存储介质，通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
所述集成的模块/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，Random Access 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。
实施例四
本发明实施例还提供了一种电子设备600，如图6所示，包括一个或多个处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
存储器603，用于存放计算机程序；
处理器601，用于执行存储器604上所存放的程序时，实现：
获取眼底图像；
将眼底图像输入预先训练好的基于深度学习的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框；
根据第一目标检测框确定第一目标检测点和第二目标检测点，根据第一目标检测点和第二目标检测点确定视盘中心点，根据第二目标检测框确定第三目标检测点和第四目标检测点；
根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。
在一些实施例中，处理器601执行的处理中，在获取眼底图像之前，还包括：
获取眼底训练图像；
对眼底训练图像进行标注，获得训练样本；
将训练样本输入深度学习目标框检测网络进行训练，获得目标框检测模型。
在一些实施例中，处理器601执行的处理中，对眼底训练图像进行标注，获得训练样本，具体包括：
确定眼底训练图像中视盘的外接矩形框，获取第一样本检测框，确定第一样本检测框的对角线的第一顶点和第二顶点，获取第一样本检测点和第二样本检测点，并根据第一样本检测点和第二样本检测点确定视盘中心点；
确定眼底图像中主血管的下半部分和主血管的上半部分，以视盘中心点为圆心，以任意半径长度为半径画圆，与主血管的下半部分相交获取第三样本检测点，过第三样本检测点做垂线与主血管的上半部分相交获取第一辅助交点，过第一辅助交点做水平线与过视盘中心点的垂线相交的获取第四样本检测点，根据第三样本检测点、第一辅助交点与第四样本检测点，确定第二样本检测框；
根据第一样本检测框和第二样本检测框获取训练样本。
在一些实施例中，处理器601执行的处理中，将训练样本输入深度学习目标框检测网络进行训练，获得目标框检测模型，具体包括：
步骤S1：将训练样本输入深度学习目标框检测网络进行卷积，获取不同尺度特征图；
步骤S2：在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比的目标预选框；
步骤S3：将目标预选框根据预设的交并比确定第一目标检测框和第二目标检测框，根据第一目标检测框确定第一目标检测点和第二目标检测点，并计算第一目标检测点和第二目标检测点的坐标相对于第一样本检测点和第二样本检测点的坐标误差值，根据第二目标检测框确定第三目标检测点和第四目标检测点的坐标，并计算第三目标检测点和第四目标检测点的坐标相对于第三样本检测点和第四样本检测点的坐标误差值；
以上步骤S1至步骤S3不断地迭代，直至误差值降低到预设误差值，获得目标框检测模型。
在一些实施例中，处理器601执行的处理中，将眼底图像输入预先训练好的目标框检测模型，在眼底图像上生成第一目标检测框和第二目标检测框，具体包括：
将眼底图像输入目标框检测模型进行卷积，获取不同尺度特征图；
在不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同形状的目标预选框；
将不同尺度特征图上的目标预选框进行结合，使用非最大值抑制方法分别选取第一目标检测框和第二目标检测框。
在一些实施例中，处理器601执行的处理中，根据视盘中心点、第三目标检测点和第四目标检测点获得血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓，具体包括：
将第三目标检测点、视盘中心点和第四目标检测点依次连接，
以第三目标检测点为起始端点，以第四目标检测点为终止端点，通过贝塞尔函数拟合确定眼底血管弓拟合曲线，通过眼底血管弓拟合曲线确定眼底血管弓。
在一些实施例中，处理器601执行的处理中，还包括：根据视盘中心点、第三目标检测点和第四目标检测点，确定眼底血管弓的开角。
本发明实施例提供的一种电子设备，通过预先训练好的目标框检测模型进行检测，能够精确地确定血管弓，通过精确的确定血管弓，从而可以对作为眼底基础特征的血管弓进行检测，不仅有利于帮助识别眼别，同时也有利于了解眼底异常，是后续眼底疾病分析的基础。
上述电子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。
存储器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。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
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)。
需要说明的是，在本文中，诸如第一和第二等之类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。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种眼底结构特征确定的方法，其特征在于，包括：
获取眼底图像；
将所述眼底图像输入预先训练好的基于深度学习的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框；
根据所述第一目标检测框确定第一目标检测点和第二目标检测点，根据所述第一目标检测点和所述第二目标检测点确定视盘中心点，根据所述第二目标检测框确定第三目标检测点和第四目标检测点；
根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点，确定眼底血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓。
2.根据权利要求1所述的方法，其特征在于，在获取眼底图像之前，还包括：
获取眼底训练图像；
对所述眼底训练图像进行标注，获得训练样本；
将所述训练样本输入深度学习目标框检测网络进行训练，获得所述目标框检测模型。
3.根据权利要求2所述的方法，其特征在于，所述的对所述眼底训练图像进行标注，获得训练样本，具体包括：
确定所述眼底训练图像中视盘的外接矩形框，获取第一样本检测框，确定所述第一样本检测框的对角线的第一顶点和第二顶点，获取第一样本检测点和第二样本检测点，并根据所述第一样本检测点和所述第二样本检测点确定视盘中心点；
确定所述眼底图像中主血管的下半部分和主血管的上半部分，以所述视盘中心点为圆心，以任意半径长度为半径画圆，与所述主血管的下半部分相交获取第三样本检测点，过所述第三样本检测点做垂线与所述主血管的上半部分相交获取第一辅助交点，过所述第一辅助交点做水平线与过所述视盘中心点的垂线相交的获取第四样本检测点，根据所述第三样本检测点、第一辅助交点与所述第四样本检测点，确定第二样本检测框；
根据所述第一样本检测框和所述第二样本检测框获取所述训练样本。
4.根据权利要求3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目标框检测网络进行训练，获得目标框检测模型，具体包括：
步骤S1：将所述训练样本输入深度学习目标框检测网络进行卷积，获取不同尺度特征图；
步骤S2：在所述不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同长宽比的目标预选框；
步骤S3：将所述目标预选框根据预设的交并比确定第一目标检测框和第二目标检测框，根据所述第一目标检测框确定第一目标检测点和第二目标检测点，并计算所述第一目标检测点和所述第二目标检测点的坐标相对于所述第一样本检测点和所述第二样本检测点的坐标误差值，根据所述第二目标检测框确定第三目标检测点和第四目标检测点的坐标，并计算所述第三目标检测点和所述第四目标检测点的坐标相对于所述第三样本检测点和所述第四样本检测点的坐标误差值；
以上步骤S1至步骤S3不断地迭代，直至所述误差值降低到预设误差值，获得所述目标框检测模型。
5.根据权利要求1所述的方法，其特征在于，所述的将所述眼底图像输入预先训练好的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框，具体包括：
将所述眼底图像输入所述目标框检测模型进行卷积，获取不同尺度特征图；
在所述不同尺度特征图上，以不同单元格的中心点为中心，生成多个不同形状的目标预选框；
将所述不同尺度特征图上的目标预选框进行结合，使用非最大值抑制方法分别选取所述第一目标检测框和所述第二目标检测框。
6.根据权利要求1所述的方法，其特征在于，所述的根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点获得血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓，具体包括：
将所述第三目标检测点、所述视盘中心点和所述第四目标检测点依次连接；
以所述第三目标检测点为起始端点，以所述第四目标检测点为终止端点，通过贝塞尔函数拟合确定眼底血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓。
7.根据权利要求1-6中任一项所述的方法，其特征在于，还包括：根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点，确定眼底血管弓的开角。
8.一种眼底结构特征确定的装置，其特征在于，包括：
获取模块，获取眼底图像；
目标框检测模块，用于将所述眼底图像和眼底图像输入预先训练好的目标框检测模型，在所述眼底图像上生成第一目标检测框和第二目标检测框；
第一确定模块，用于根据所述第一目标检测框确定第一目标检测点和第二目标检测点，根据所述第一目标检测点和所述第二目标检测点确定视盘中心点，根据所述第二目标检测框确定第三目标检测点和第四目标检测点；
第二确定模块，用于根据所述视盘中心点、所述第三目标检测点和所述第四目标检测点，确定眼底血管弓拟合曲线，通过所述眼底血管弓拟合曲线确定眼底血管弓。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任意一项所述的眼底结构特征确定的方法。
10.一种眼底结构特征确定的设备，其特征在于，其包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任意一项所述的眼底结构特征确定的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461320.3A CN114387209A (zh) | 2021-12-03 | 2021-12-03 | 眼底结构特征确定的方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111461320.3A CN114387209A (zh) | 2021-12-03 | 2021-12-03 | 眼底结构特征确定的方法、装置、介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387209A true CN114387209A (zh) | 2022-04-22 |
Family
ID=81196097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111461320.3A Pending CN114387209A (zh) | 2021-12-03 | 2021-12-03 | 眼底结构特征确定的方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387209A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049734A (zh) * | 2022-08-12 | 2022-09-13 | 摩尔线程智能科技(北京)有限责任公司 | 在图像中定位目标物的方法和装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005261799A (ja) * | 2004-03-22 | 2005-09-29 | Canon Inc | 眼科用画像処理装置 |
| US20070109499A1 (en) * | 2005-10-12 | 2007-05-17 | Siemens Corporate Research Inc | System and Method For Robust Optic Disk Detection In Retinal Images Using Vessel Structure And Radon Transform |
| US20120195481A1 (en) * | 2011-02-01 | 2012-08-02 | Universidade Da Coruna | Method, apparatus, and system for automatic retinal image analysis |
| CN106650596A (zh) * | 2016-10-10 | 2017-05-10 | 北京新皓然软件技术有限责任公司 | 一种眼底图像分析方法、装置及系统 |
| CN109101950A (zh) * | 2018-08-31 | 2018-12-28 | 福州依影健康科技有限公司 | 一种基于主血管拟合的视盘定位方法与存储设备 |
| CN109447947A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的中央凹定位方法 |
| CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技（深圳）有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
| CN111681276A (zh) * | 2020-06-11 | 2020-09-18 | 北京大恒普信医疗技术有限公司 | 眼底图像中的动静脉直径比的确定方法、装置及电子设备 |
| CN112581439A (zh) * | 2020-12-11 | 2021-03-30 | 南京泰明生物科技有限公司 | 基于视网膜结构的黄斑区定位系统 |
| CN112819828A (zh) * | 2021-04-19 | 2021-05-18 | 北京至真互联网技术有限公司 | 眼底图像处理方法和装置 |
-
2021
- 2021-12-03 CN CN202111461320.3A patent/CN114387209A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005261799A (ja) * | 2004-03-22 | 2005-09-29 | Canon Inc | 眼科用画像処理装置 |
| US20070109499A1 (en) * | 2005-10-12 | 2007-05-17 | Siemens Corporate Research Inc | System and Method For Robust Optic Disk Detection In Retinal Images Using Vessel Structure And Radon Transform |
| US20120195481A1 (en) * | 2011-02-01 | 2012-08-02 | Universidade Da Coruna | Method, apparatus, and system for automatic retinal image analysis |
| CN106650596A (zh) * | 2016-10-10 | 2017-05-10 | 北京新皓然软件技术有限责任公司 | 一种眼底图像分析方法、装置及系统 |
| CN109101950A (zh) * | 2018-08-31 | 2018-12-28 | 福州依影健康科技有限公司 | 一种基于主血管拟合的视盘定位方法与存储设备 |
| CN109447947A (zh) * | 2018-09-28 | 2019-03-08 | 上海理工大学 | 一种基于病灶彩色视网膜眼底图像的中央凹定位方法 |
| CN110021009A (zh) * | 2019-01-18 | 2019-07-16 | 平安科技（深圳）有限公司 | 一种评估眼底图像质量的方法、装置及存储介质 |
| CN111681276A (zh) * | 2020-06-11 | 2020-09-18 | 北京大恒普信医疗技术有限公司 | 眼底图像中的动静脉直径比的确定方法、装置及电子设备 |
| CN112581439A (zh) * | 2020-12-11 | 2021-03-30 | 南京泰明生物科技有限公司 | 基于视网膜结构的黄斑区定位系统 |
| CN112819828A (zh) * | 2021-04-19 | 2021-05-18 | 北京至真互联网技术有限公司 | 眼底图像处理方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| M. FORACCHIA等: "Detection of Optic Disc in Retinal Images by Means of a Geometrical Model of Vessel Structure", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 23, no. 10, 10 October 2004 (2004-10-10), pages 1189 - 1195 * |
| SARA GHARABAGHI等: "Retinal Image Registration Using Geometrical Features", JOURNAL OF DIGITAL IMAGING, vol. 26, 12 June 2012 (2012-06-12), pages 248 * |
| 肖志涛;邵一婷;张芳;温佳;耿磊;吴骏;尚丹丹;苏龙;单春艳;: "基于眼底结构特征的彩色眼底图像视盘定位方法", 中国生物医学工程学报, no. 03, 20 June 2016 (2016-06-20) * |
| 赵晓芳;林土胜;: "视网膜血管图像特征点自动提取和分类", 计算机工程与应用, no. 08, 11 March 2011 (2011-03-11) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115049734A (zh) * | 2022-08-12 | 2022-09-13 | 摩尔线程智能科技(北京)有限责任公司 | 在图像中定位目标物的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021169128A1 (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
| CN108764286B (zh) | 一种基于迁移学习的血管图像中特征点的分类识别方法 | |
| CN109272016B (zh) | 目标检测方法、装置、终端设备和计算机可读存储介质 | |
| CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
| CN112734785B (zh) | 亚像素级眼底血管边界确定的方法、装置、介质和设备 | |
| CN112734828B (zh) | 一种眼底血管中心线确定的方法、装置、介质和设备 | |
| CN111242933B (zh) | 视网膜图像动静脉的分类装置、设备及存储介质 | |
| CN106934804B (zh) | 图像清晰度检测方法及装置 | |
| CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN112734774B (zh) | 一种高精度眼底血管提取方法、装置、介质、设备和系统 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| CN114387209A (zh) | 眼底结构特征确定的方法、装置、介质和设备 | |
| CN114549395A (zh) | 基于视计算的图像特征确定的方法、装置、介质和设备 | |
| CN112734773B (zh) | 一种亚像素级眼底血管分割方法、装置、介质和设备 | |
| Oprisescu et al. | Automatic pap smear nuclei detection using mean-shift and region growing | |
| CN114387219A (zh) | 眼底动静脉交叉压迫特征的检测方法、装置、介质及设备 | |
| CN114387210A (zh) | 眼底特征获取的方法、装置、介质和设备 | |
| WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
| CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 | |
| CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
| CN114387218A (zh) | 基于视计算的眼底特征的识别方法、装置、介质和设备 | |
| CN115471494A (zh) | 基于图像处理的沃柑质检方法、装置、装备及存储介质 | |
| CN115908795A (zh) | 眼底动静脉分割方法、血管参数计算方法，装置和设备 | |
| Nazari et al. | Segmentation of retinal blood vessels by top-hat multi-scale detection for optic disc removal |
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 |