CN114387218A - 基于视计算的眼底特征的识别方法、装置、介质和设备 - Google Patents
基于视计算的眼底特征的识别方法、装置、介质和设备 Download PDFInfo
- Publication number
- CN114387218A CN114387218A CN202111552249.XA CN202111552249A CN114387218A CN 114387218 A CN114387218 A CN 114387218A CN 202111552249 A CN202111552249 A CN 202111552249A CN 114387218 A CN114387218 A CN 114387218A
- Authority
- CN
- China
- Prior art keywords
- skeleton
- skeleton line
- venous
- arterial
- vein
- 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 51
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 210000004220 fundus oculi Anatomy 0.000 title claims description 5
- 210000003462 vein Anatomy 0.000 claims abstract description 114
- 210000001367 artery Anatomy 0.000 claims abstract description 97
- 238000007906 compression Methods 0.000 claims abstract description 93
- 230000006835 compression Effects 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 51
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 50
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 230000007797 corrosion Effects 0.000 claims abstract description 12
- 238000005260 corrosion Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 7
- 238000012888 cubic function Methods 0.000 claims description 6
- 238000012887 quadratic function Methods 0.000 claims description 6
- 210000001525 retina Anatomy 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 208000017667 Chronic Disease Diseases 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004660 morphological change Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive 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
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000001629 suppression Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供一种基于视计算的眼底特征的识别方法、装置、介质及设备，包括：获取眼底图像；对眼底图像进行血管分割处理，分别获得动脉血管和静脉血管，然后对动脉血管和静脉血管进行腐蚀处理分别获得动脉骨架线和静脉骨架线；在动脉骨架线和静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域；在动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。本发明通过获得动静脉骨架线，能够快速并精准地确定眼底视网膜的动静脉交叉压迫特征。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于视计算的眼底特征的识别方法、装置、介质和设备。
背景技术
动静脉交叉压迫是血管早期特异性改变的重要特征之一，同时也是许多全身慢病以及心脑血管疾病在眼底的重要并发症，通过对动静脉交叉压迫特征进行识别，不仅可以发现许多慢病和心脑血管疾病的眼底并发症，同时也能一定程度上反映出慢病和心脑血管疾病对身体产生的结构性损害，为慢病和心脑血管疾病的评估和进展评估提供基础参考。
视计算图像处理方法是基于人类视觉仿生机理而提出，基于人类视觉对图像的认识而进行的图像处理。
现有技术对眼底图像进行动静脉交叉压迫征检测时，实现的过程需要完整的视网膜血管横截面信息和血管结构信息，只有在分辨率较高、成像质量高、ROI区域血管片段清晰条件下的分类特征才较为明显。在实际应用过程中，彩色眼底图像的成像质量不一致，ROI区域内可能存在病变(眼底出血、渗出等)，血管结构复杂(血管弯曲程度大、血管交叉或并行交叠严重等)都会直接影响血管提取以及动静脉交叉压迫特征提取的准确性。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于视计算的眼底特征的识别方法、装置、介质及设备，以快速并精准地提取眼底视网膜的动静脉交叉压迫特征。
为达到上述目的，第一方面，本发明实施例提供了一种基于视计算的眼底特征的识别方法，包括：
获取眼底图像；
对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线；
在所述动脉骨架线和所述静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域；
在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
在一些可能的实施方式中，所述的对所述眼底图像进行分割处理，分别获得动脉骨架线和静脉骨架线，具体包括：
对所述眼底图像进行血管分割处理，获取动脉血管和静脉血管；
对所述动脉血管区域进行迭代腐蚀，获得动脉骨架线，并对所述静脉血管区域进行迭代腐蚀，获得静脉骨架线；或者，
通过骨架线提取算法对所述动脉血管和所述静脉血管进行处理，分别获得所述多个动脉骨架点和所述多个静脉骨架点，对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线。
在一些可能的实施方式中，所述的对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线，具体包括：
连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线；或者，
根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
在一些可能的实施方式中，所述的连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线，还包括：
通过smooth函数对所述动脉骨架线进行平滑处理，获得动脉骨架线，并且通过smooth函数对所述静脉骨架线进行平滑处理，获得静脉骨架线；或者，
所述的根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线，具体包括：
通过贝塞尔函数将所述多个动脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且通过贝塞尔函数将所述多个静脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
所述的通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线，具体包括：
通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
在一些可能的实施方式中，所述的在所述动脉骨架线和所述静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域，具体包括：
在所述动脉骨架线和所述静脉骨架线的交叉点区域，选取包含动脉、静脉、动脉骨架线与静脉骨架线的交叉节点的矩形区域或者圆形区域作为动静脉交叉压迫的候选区域。
在一些可能的实施方式中，所述的在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据动静脉交叉压迫现象，在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
在一些可能的实施方式中，所述的根据动静脉交叉压迫现象，在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据所述动静脉交叉压迫的候选区域中的静脉血管的形态变化、静脉血管的管径值变化趋势、和/或静脉血管的曲率值的变化趋势，识别动静脉交叉压迫特征。
第二方面，本发明提供了一种基于视计算的眼底特征的识别装置，包括：
获取模块，用于获取眼底图像；
处理模块，用于对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线；
区域确定模块，用于在所述动脉骨架线和所述静脉骨架线的交叉点区域，获得动静脉交叉压迫的候选区域；
特征识别模块，用于在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
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基于视计算的眼底特征的识别方法。
第四方面，本发明实施例提供了一种基于视计算的眼底特征的识别设备，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上述任意一种基于视计算的眼底特征的识别方法。
上述技术方案具有如下有益效果：
本发明实施例通过对眼底图像进行血管分割处理，获得动脉血管和静脉血管，对动脉血管和静脉血管进行迭代腐蚀或中心线提取，分别获取动脉骨架线和静脉骨架线，在动脉骨架线和动脉骨架线的交叉点区域，依据静脉血管的形态变化、静脉血管的管径值的变化趋势、和/或静脉血管的曲率值的变化趋势，识别动静脉交叉压迫特征，本发明实施例不仅能够准确快速的提取眼底动静脉交叉压迫特征，并且样本图像依赖性小，甚至不依赖样本图像。
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基于视计算的眼底特征的识别方法的流程图；
图2是本发明实施例的一种骨架线提取算法流程图；
图3是本发明实施例的一种动静脉交叉压迫现象中静脉血管形态变化的示意图；
图4是本发明实施例的一种基于视计算的眼底特征的识别装置的功能框图；
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基于视计算的眼底特征的识别设备的功能框图。
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。
实施例一
图1是本发明实施例的一种基于视计算的眼底特征的识别方法的流程图。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，然后对预处理后的眼底图像进行眼底血管提取，对眼底图像执行预处理具体可以包括如下步骤：
S101：从眼底图像提取感兴趣区域(即ROI区域)，对眼底图像的通道进行分离，选取任意一个通道图像，可以是R通道、或者G通道、或者B通道，也可以是H通道、I通道、S通道中的任一通道；
S102：根据灰度均值、偏差、梯度等特征中的一个或多个对上述分离的任一通道进行阈值分割，并对阈值分割后得到的感兴趣区域进行孔洞填充，确保得到的ROI区域图像为一连续的区域。本实施例中，通过膨胀的方法对感兴趣区域进行孔洞填充，通过膨胀先使感兴趣区域范围“变大”，将感兴趣区域接触的背景点合并到该眼底图像中，使感兴趣区域边界向外部扩张，用来填补感兴趣区域中某些空洞以及消除包含在感兴趣区域中的小颗粒噪声；
S103：通过形态学运算(如开运算，即对感兴趣区域图像进行先腐蚀再膨胀的算法)以及形态学特征提取去除孤立的小点、毛刺和小桥等特征；
S104：对感兴趣区域图像进行增强处理，这样能够拉大感兴趣特征与背景特征的对比度，从而使得感兴趣区域的特征更加凸显，便于对眼底图像进行血管分割。
S120：对所述眼底图像进行分割处理，分别获得动脉骨架线和静脉骨架线。
在一些实施例中，基于深度学习算法构建血管分割模型，从眼底图像中提取眼底动脉血管和静脉血管；或者，基于计算机图像视觉处理方法，从眼底图像中提取眼底静脉血管或者动脉血管；或者，基于深度学习算法和计算机图像视觉处理方法联合处理，从眼底图像中提取眼底动脉血管和静脉血管。该联合处理方法将计算机视觉和深度学习相结合，来从眼底图像中提取眼底血管，可以实现提取精度和提取速度的有机结合和平衡，并且提高提取结果的鲁棒性。
在一些实施例中，通过阈值分割法对眼底图像进行血管分割处理，获取眼底图像的动脉血管和静脉血管，对所述动脉血管进行迭代腐蚀，获得动脉骨架线，并对所述静脉血管进行迭代腐蚀，获得静脉骨架线；或者，通过骨架提取算法对所述动脉血管和所述静脉血管进行处理，分别获得所述多个动脉骨架点和所述多个静脉骨架点，对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线。
在一个示例中，采用的是K3M骨架线提取算法，图2是本发明实施例的一种骨架线提取算法流程图，如图2所示，该骨架线提取算法主要包括如下步骤：
步骤S121：提取分割后的眼底静脉血管或动脉血管图像的外围轮廓，然后利用轮廓腐蚀目标图像，直至腐蚀到不能再腐蚀，具体地，该步骤包括如下多个子步骤：
步骤S11，提取分割后的眼底静脉血管或动脉血管图像的目标轮廓，并记录这些轮廓点；
步骤S12，依次检测这些轮廓点的8像素邻域，判断是否只含有3连通像素，如果是，把此点从轮廓点删除，并在眼底静脉血管或动脉血管图像中删除(即腐蚀掉)对应点；
步骤S13，依次检测S12中剩余轮廓点的8像素邻域，判断是否只含有3或4连通像素，如果是，把此点从轮廓点删除，并在眼底静脉血管或动脉血管图像中删除(即腐蚀掉)对应点；
步骤S14，依次检测S13中剩余轮廓点的8像素邻域，判断是否只含有3、4或5连通像素，如果是，把此点从轮廓点删除，并在眼底静脉血管或动脉血管图像中删除(即腐蚀掉)对应点；
步骤S15，依次检测S14中剩余轮廓点的8像素邻域，判断是否只含有3、4、5或6连通像素，如果是，把此点从轮廓点删除，并在眼底静脉血管或动脉血管图像中删除(即腐蚀掉)对应点；
步骤S16，依次检测S15中剩余轮廓点的8像素邻域，判断是否只含有3、4、5、6或7连通像素，如果是，把此点从轮廓点删除，并在眼底静脉血管或动脉血管图像中删除(即腐蚀掉)对应点；
以上步骤S11至步骤S16不断迭代，直至某次迭代的过程，眼底静脉血管或动脉血管图像边界中没有新的像素被腐蚀，此时，剩余的眼底静脉血管或动脉血管图像像素就很接近于真实血管骨架，称之为伪血管骨架。
步骤S122：从伪骨架中提取真实血管骨架线。
因为步骤121中得到的伪血管骨架有的区域是两个像素宽度，而眼底图像的真实骨架线是单层像素宽度，所以依次检测眼底图像中，伪骨架的8像素邻域，判断是否只含有2、3、4、5、6或7连通像素，如果是，把此点从伪血管骨架中删除(即腐蚀)，获取真实的动静脉血管骨架线。
在一些实施例中，通过特征提取算子提取血管骨架点，其具体包括如下步骤：
根据特征提取算子，计算眼底图像中每个像素点的特征值和特征向量；根据每个像素点的特征值和特征向量，计算每个像素点的垂直血管方向的位移；根据特征向量和垂直血管方向的位移，获得包括多个种子点的第一种子点图像；对第一种子点图像的筛选处理，获得包括多个种子点的第二种子点图像；根据第二种子点图像上的多个种子点，获得眼底图像的动脉骨架点和静脉骨架点。
在一些实施例中，根据特征向量和垂直血管方向的位移，获得包括多个种子点的第一种子点图像，根据特征向量和垂直血管方向的位移，基于非极大值抑制算法，获得包括多个种子点的第一血管种子图像，根据第一种子点图像和预设的梯度阈值，对第一种子点图像上的种子点进行筛选处理，获得包括多个种子点第二种子点图像。在本步骤中，选取梯度阈值，对第一种子点图像上的种子点进行筛选处理，获得梯度值满足预设条件的种子点，例如去掉梯度值在该预设的梯度阈值以下的种子点或像素点，获得梯度值大于或等于该梯度阈值的种子点，这些被筛选出的多个种子点形成第二种子点图像，通过上述步骤可以获得满足要求的种子点，去除一些非骨架点。
在一些实施例中，特征提取算子可以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、Zuniga-Haralick定位算子、Hessian矩阵、Log算子。
在一些实施例中，将多个动脉骨架点进行连接处理，获取动脉骨架线，将多个静脉骨架点进行连接处理，获得静脉骨架线；或者，根据多个动脉骨架点拟合多段曲线，将多段曲线进行连接处理，获得动脉骨架线，根据多个静脉骨架点拟合多段曲线，将多段曲线进行连接处理，获得静脉骨架线。
在一些实施例中，在将多个动脉骨架点进行连接处理，获取动脉骨架线，将多个静脉骨架点进行连接处理，获得静脉骨架线之后，还包括，通过smooth函数对动脉骨架线和静脉骨架线进行平滑处理，分别获得平滑的动脉骨架线和静脉骨架线；
在一些实施例中，根据多个动脉骨架点，通过贝塞尔函数拟合多段曲线，将多段曲线进行连接处理，获得动脉骨架线，根据多个静脉骨架点，通过贝塞尔函数拟合多段曲线，将多段曲线进行连接处理，获得静脉骨架线；
在一些实施例中，通过高次函数将多个动脉骨架点拟合曲线，获取动脉骨架线，通过高次函数对多个静脉骨架点拟合曲线，获取静脉骨架线。
通过拟合的动脉骨架线和静脉骨架线，能够快速准确的确定动静脉的交叉区域，以获取动静脉交叉压迫的候选区域，便于提取交叉压迫的特征。
在一些实施例中，对所述眼底图像中的眼底血管区域进行迭代腐蚀，获得动脉骨架线和静脉骨架线。具体的，使用一个nXn结构元素去扫描眼底血管区域中的每一个像素。用结构元素与其覆盖的二值图像做“与”操作，如果都为1，这图像的该像素为1，否则为0，腐蚀之后，图像边界向内收缩，这样反复迭代，直至只剩下动脉血管和静脉血管的中心线，即动脉骨架线和静脉骨架线。
S130：在动脉骨架线和静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域。
在一些实施例中，在动脉骨架线和静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域，具体可以包括：
在动脉骨架线和静脉骨架线的交叉点区域，选取包含动脉、静脉及对应的动脉骨架线与静脉骨架线交叉节点等信息的矩形区域或者圆形区域作为动静脉交叉压迫的候选区域。具体的，矩形区域或者圆形区域可以使用矩形框或者圆形框进行标注，区域的大小可以根据对应交叉节点位置的血管管径值来确定，矩形区域或者圆形区域的选择应满足即能包含动脉与静脉的交叉节点的坐标，又可以排除大部分的周边干扰信息，矩形框区域或者圆形区域为动静脉交叉压迫所在的候选区域。
S140：根据动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
在一些实施例中，根据动静脉交叉压迫现象，在动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
在一些实施例中，根据动静脉交叉压迫的候选区域中的静脉血管的形态变化来识别动静脉交叉压迫特征；
图3是本发明实施例的一种动静脉交叉压迫现象中静脉血管的形态变化的示意图，如图3所示，a为正常的动静脉交叉；b为动静脉交叉压迫现象中，交叉节点静脉隐蔽，即在动脉两侧缩成笔尖状；c为动静脉交叉压迫现象中，静脉形似压断状态；d为动静脉交叉压迫现象中，静脉削减呈梭形，e为动静脉交叉压迫现象中，静脉远端扩张呈瘤状；f为动静脉交叉压迫现象中，静脉偏曲；g为动静脉交叉压迫现象中，静脉在动脉的下面，静脉压陷呈S状；h为动静脉交叉压迫现象中，当静脉位于动脉上面时静脉隆起处呈拱桥状跨过动脉；图3中，1为静脉血管、2为动脉血管。
在一些实施例中，在动静脉交叉压迫的候选区域，通过计算静脉血管的管径值的变化趋势和/或静脉血管的曲率值的变化趋势来识别动静脉交叉压迫特征。
本发明实施例通过对眼底图像进行血管分割处理，获得动脉血管和静脉血管，对动脉血管和静脉血管进行迭代腐蚀获得动脉骨架线和静脉骨架线，或者通过骨架提取算法，对动脉血管和静脉血管进行处理，分别获取多个动脉骨架点和多个静脉骨架点，通过动静脉骨架点拟合动静脉骨架线，然后在动脉骨架线和动脉骨架线的交叉点区域，依据静脉血管的形态变化、静脉血管的管径值的变化趋势和/或静脉血管的曲率值的变化趋势，识别动静脉交叉压迫特征。本发明实施例不仅能够准确快速的提取眼底动静脉交叉压迫特征，而且对样本图像依赖小，甚至不依赖样本图像。
实施例二
图4是本发明实施例的一种基于视计算的眼底特征的识别装置的功能框图。如图4所示，基于类似的发明构思，该眼底特征的识别装置400包括：
获取模块410，用于获取眼底图像；
处理模块420，用于对所述眼底图像进行分割处理，分别获得动脉骨架线和静脉骨架线；
区域确定模块430，用于在所述动脉骨架线和所述静脉骨架线的交叉点区域，获得动静脉交叉压迫的候选区域；
特征识别模块440，用于在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
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
如图5所示，本发明实施例还提供了一种计算机可读存储介质500，计算机可读存储介质500内存储有计算机程序510，该计算机程序510被处理器执行时，实现：
获取眼底图像；
对所述眼底图像进行分割处理，分别获得动脉骨架线和静脉骨架线；
在所述动脉骨架线和所述静脉骨架线的交叉点区域，获得动静脉交叉压迫的候选区域；
在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
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基于视计算的眼底特征的识别设备，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603上所存放的程序时，实现：
获取眼底图像；
对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线；
在所述动脉骨架线和所述静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域；
在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
一种可能的设计中，处理器601执行的处理中，对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线，具体包括：
对所述眼底图像进行血管分割处理，获取动脉血管和静脉血管；
对所述动脉血管进行迭代腐蚀，获得动脉骨架线，并对所述静脉血管进行迭代腐蚀，获得静脉骨架线；或者，
通过骨架提取算法对所述动脉血管和所述静脉血管进行处理，分别获得所述多个动脉骨架点和所述多个静脉骨架点，对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线。
一种可能的设计中，处理器601执行的处理中，对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线，具体包括：
连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线；或者，
根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
一种可能的设计中，处理器601执行的处理中，连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线，还包括：
通过smooth函数对所述动脉骨架线进行平滑处理，获得动脉骨架线，并且通过smooth函数对所述静脉骨架线进行平滑处理，获得静脉骨架线；或者，
所述的根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线，具体包括：
通过贝塞尔函数将所述多个动脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且通过贝塞尔函数将所述多个静脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
所述的通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线，具体包括：
通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
一种可能的设计中，处理器601执行的处理中，在动脉骨架线和静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域，具体包括：
在动脉骨架线和静脉骨架线的交点区域，选取包含动脉、静脉、动脉骨架线与静脉骨架线交叉节点的矩形区域或者圆形区域作为动静脉交叉压迫的候选区域。
一种可能的设计中，处理器601执行的处理中，在动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据动静脉交叉压迫现象，在在动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
一种可能的设计中，处理器601执行的处理中，根据动静脉交叉压迫现象，在在动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据动静脉交叉压迫的候选区域中的静脉血管的形态变化、静脉血管管径值的变化趋势、和/或静脉血管的曲率值的变化趋势，识别动静脉交叉压迫特征。
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。
总线604包括硬件、软件或两者，用于将上述部件彼此耦接在一起。举例来说，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
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。
存储器603可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器603可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器603可包括可移除或不可移除(或固定)的介质。在特定实施例中，存储器603是非易失性固态存储器。在特定实施例中，存储器603包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
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)。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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)
1.一种基于视计算的眼底特征的识别方法，其特征在于，包括：
获取眼底图像；
对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线；
在所述动脉骨架线和所述静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域；
在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
2.根据权利要求1所述的方法，其特征在于，所述的对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线，具体包括：
对所述眼底图像进行血管分割处理，获得动脉血管和静脉血管；
对所述动脉血管进行迭代腐蚀，获得动脉骨架线，并对所述静脉血管进行迭代腐蚀，获得静脉骨架线；或者，
通过骨架线提取算法对所述动脉血管和所述静脉血管进行处理，分别获得多个动脉骨架点和多个静脉骨架点，对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线。
3.根据权利要求2所述的方法，其特征在于，所述的对所述多个动脉骨架点进行处理，获得动脉骨架线，并且对所述多个静脉骨架点进行处理，获得静脉骨架线，具体包括：
连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线；或者，
根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
4.根据权利要求3所述的方法，其特征在于，所述的连接所述多个动脉骨架点，获得动脉骨架线，并且连接所述多个静脉骨架点，获得静脉骨架线，还包括：
通过smooth函数对所述动脉骨架线进行平滑处理，获得动脉骨架线，并且通过smooth函数对所述静脉骨架线进行平滑处理，获得静脉骨架线；或者，
所述的根据所述多个动脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且根据所述多个静脉骨架点拟合多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线，具体包括：
通过贝塞尔函数将所述多个动脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得动脉骨架线，并且通过贝塞尔函数将所述多个静脉骨架点拟合成多段曲线，将所述多段曲线进行连接处理，获得静脉骨架线；或者，
所述的通过高次函数将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过高次函数将所述多个静脉骨架点拟合曲线，获得静脉骨架线，具体包括：
通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个动脉骨架点拟合曲线，获得动脉骨架线，并且通过二次函数、三次函数、指数函数、幂函数或者log函数中任意一种函数，将所述多个静脉骨架点拟合曲线，获得静脉骨架线。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述的在所述动脉骨架线和所述静脉骨架线的交叉点区域，获取动静脉交叉压迫的候选区域，具体包括：
在所述动脉骨架线和所述静脉骨架线的交叉点区域，选取包含动脉、静脉及对应动脉骨架线与静脉骨架线的交叉节点的矩形区域或者圆形区域作为动静脉交叉压迫的候选区域。
6.根据权利要求1-4中任一项所述的方法，其特征在于，所述的在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据动静脉交叉压迫现象，在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
7.根据权利要求6中所述的方法，其特征在于，所述的根据动静脉交叉压迫现象，在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征，具体包括：
根据所述动静脉交叉压迫的候选区域中的静脉血管的形态变化、静脉血管的管径值变化趋势、和/或静脉血管的曲率值的变化趋势，识别动静脉交叉压迫特征。
8.一种基于视计算的眼底特征的识别装置，其特征在于，包括：
获取模块，用于获取眼底图像；
处理模块，用于对所述眼底图像进行血管分割处理，分别获得动脉骨架线和静脉骨架线；
区域确定模块，用于在所述动脉骨架线和所述静脉骨架线的交叉点区域，获得动静脉交叉压迫的候选区域；
特征识别模块，用于在所述动静脉交叉压迫的候选区域，识别动静脉交叉压迫特征。
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中任意一项所述的一种基于视计算的眼底特征的识别方法。
10.一种基于视计算的眼底特征的识别设备，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中任意一项所述的一种基于视计算的眼底特征的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552249.XA CN114387218A (zh) | 2021-12-17 | 2021-12-17 | 基于视计算的眼底特征的识别方法、装置、介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111552249.XA CN114387218A (zh) | 2021-12-17 | 2021-12-17 | 基于视计算的眼底特征的识别方法、装置、介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387218A true CN114387218A (zh) | 2022-04-22 |
Family
ID=81197373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111552249.XA Pending CN114387218A (zh) | 2021-12-17 | 2021-12-17 | 基于视计算的眼底特征的识别方法、装置、介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115457038A (zh) * | 2022-11-11 | 2022-12-09 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
-
2021
- 2021-12-17 CN CN202111552249.XA patent/CN114387218A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115457038A (zh) * | 2022-11-11 | 2022-12-09 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
| CN115457038B (zh) * | 2022-11-11 | 2023-08-22 | 北京鹰瞳科技发展股份有限公司 | 分级预测模型的训练方法、分级预测的方法及相关产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110490840B (zh) | 一种肾小球病理切片图像的细胞检测方法、装置及设备 | |
| CN111815599B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN109741335B (zh) | 血管oct图像中血管壁及血流区域的分割方法与装置 | |
| CN112734774B (zh) | 一种高精度眼底血管提取方法、装置、介质、设备和系统 | |
| CN112734828B (zh) | 一种眼底血管中心线确定的方法、装置、介质和设备 | |
| CN110648303B (zh) | 眼底图像分析方法、计算机设备和存储介质 | |
| CN112734785B (zh) | 亚像素级眼底血管边界确定的方法、装置、介质和设备 | |
| CN113470102B (zh) | 高精度测量眼底血管弯曲度的方法、装置、介质和设备 | |
| CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
| US7103203B2 (en) | Medical imaging station with a function of extracting a path within a ramified object | |
| CN112308846A (zh) | 血管分割方法、装置及电子设备 | |
| CN113344895A (zh) | 高精度的眼底血管管径测量方法、装置、介质和设备 | |
| CN114387218A (zh) | 基于视计算的眼底特征的识别方法、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 | |
| CN110060246B (zh) | 一种图像处理方法、设备及存储介质 | |
| CN113781403B (zh) | 一种胸部ct影像处理方法与装置 | |
| CN108364289B (zh) | Ivoct图像易损斑块自动检测方法 | |
| 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 | |
| CN108416769B (zh) | 基于预处理的ivoct图像易损斑块自动检测方法 | |
| CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
| CN114387209A (zh) | 眼底结构特征确定的方法、装置、介质和设备 | |
| CN115482358A (zh) | 一种三角网格曲面的生成方法、装置、设备及存储介质 | |
| CN113344893B (zh) | 一种高精度眼底动静脉识别的方法、装置、介质和设备 | |
| Khan et al. | Segmentation of single and overlapping leaves by extracting appropriate contours | |
| CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 |
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 |