CN114782339A - 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 - Google Patents
一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 Download PDFInfo
- Publication number
- CN114782339A CN114782339A CN202210370397.8A CN202210370397A CN114782339A CN 114782339 A CN114782339 A CN 114782339A CN 202210370397 A CN202210370397 A CN 202210370397A CN 114782339 A CN114782339 A CN 114782339A
- Authority
- CN
- China
- Prior art keywords
- fundus
- retinal
- capillary
- vessel
- network
- 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
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence 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
- G06T2207/20084—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Probability & Statistics with Applications (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Vascular Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种基于条件生成对抗网络的眼底彩照毛细血管标注方法,包括:以眼底彩色照相和相匹配的眼底荧光造影图像为基础,对眼底荧光血管造影图片提取包括视网膜毛细血管和大、中、小血管图;以提取的血管图为金标准训练生成对抗网络,使其以眼底彩照为输入,输出和金标准相似的血管图;模型完成训练,实现仅以眼底彩照作为输入,对其相应的血管结构进行预测,生成出包括视网膜毛细血管在内的所有血管的标注;对所标注的视网膜毛细血管进行分析测量。本发明将眼底荧光造影作为金标准,使用条件生成对抗网络,在眼底彩色照相中,自动产生视网膜毛细血管的标注,并使之达到与眼底荧光造影相同精度,同时实现视网膜毛细血管分析测量。
Description
技术领域
本发明涉及眼底彩照视网膜毛细血管标注技术领域,特别是涉及一种基于条件生成对抗网络的眼底彩照毛细血管标注方法。
背景技术
视网膜血管与心血管和脑血管有类似的解剖结构,眼底视网膜检查是直接观察身体微血管改变的最佳途径,借助眼底照相机或者眼底镜,可以对微血管系统进行不限次数的无创观察。视网膜血管,尤其是视网膜毛细血管的健康状态与心、脑、肾等全身重要脏器的微血管健康状态密切相关。
眼底彩色照相是视网膜检查最为常用的方法,传统的视网膜血管分析,通过传统的卷积神经网络(如U-net),从眼底彩照中提取视网膜血管的信息,并根据视网膜血管的形态和管径进行定性或者定量分析。但是,这种传统的视网膜血管分析方法,仅能对主干视网膜血管进行分析,视网膜毛细血管在眼底彩照中,能见度低,行经复杂、极其纤细,难以进行标注和网络训练,缺乏有效的自动识别方法。
发明内容
本发明的目的是提供一种基于条件生成对抗网络的眼底彩照毛细血管标注方法,将眼底荧光造影作为金标准,使用条件生成对抗网络,在眼底彩色照相中,自动产生视网膜毛细血管的标注,并使之达到与眼底荧光造影相同精度,同时实现视网膜毛细血管分析测量。
为实现上述目的,本发明提供了如下方案:
一种基于条件生成对抗网络的眼底彩照毛细血管标注方法,包括如下步骤:
S1,以眼底彩色照相图像和相匹配的眼底荧光造影图像为基础,对眼底荧光造影的视网膜毛细血管图片进行提取;
S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型;
S3,基于血管网络模型,以眼底彩照作为输入,对血管结构进行预测,生成出包括视网膜毛细血管在内的所有血管的标注;
S4,对所标注的视网膜毛细血管进行分析测量。
进一步的,所述步骤S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型,具体包括:
条件生成对抗网络具体包括生成器和判别器;
在眼底彩色照相图像基础上,通过生成器产生视网膜毛细血管标注图;
以眼底荧光造影的视网膜毛细血管图片为金标准,通过判别器判别所生成的视网膜毛细血管标注图和眼底荧光造影的视网膜毛细血管图片之间的差别,形成生成器与判别器之间的反馈,不断更新生成器的网络参数,直至达成最佳的博弈平衡,也就是产生的生成的视网膜毛细血管标注图最接近眼底荧光造影的视网膜毛细血管图片,提取生成器进行测试,并形成最终的血管网络模型。
进一步的,所述步骤S4,对所标注的视网膜毛细血管进行分析测量,具体包括:
根据任务将视网膜进行不同位置的分区,分为上方、颞上、鼻上、下方、颞下、鼻下、鼻侧、颞侧;
黄斑区根据但不限于ETDRS 9宫格进行分区,在不同分区内对视网膜小血管密度、面积、形态进行定量测量。
进一步的,所述形态分析测量值包括血管管径、血管密度、迂曲度和分形维度。
进一步的,所述标注的含义,包括“生成”和“分割”。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于条件生成对抗网络的眼底彩照毛细血管标注方法,在眼底彩色照相和眼底荧光造影图片进行匹配后,以眼底荧光造影图片作为金标准,构建条件生成对抗网络以眼底彩照作为输入,对血管结构进行预测,生成出包括视网膜毛细血管在内的所有血管的标注,并使得所生成的标注的精度达到眼底荧光造影接近的水平,并完成所生成的毛细血管的分析测量,方法简单,标注准确,自动化水平高。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于条件生成对抗网络的眼底彩照毛细血管标注方法的流程示意图;
图2为本发明实施例血管网络模型生成流程图;
图3为本发明实施例金标准网膜毛细血管图片与视网膜毛细血管标注图对比示意图。
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。
本发明的目的是提供一种基于条件生成对抗网络的眼底彩照毛细血管标注方法,将眼底荧光造影作为金标准,使用条件生成对抗网络,在眼底彩色照相中,自动产生视网膜毛细血管的标注,并使之达到与眼底荧光造影相同精度,同时实现视网膜毛细血管分析测量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的基于条件生成对抗网络的眼底彩照毛细血管标注方法,包括如下步骤:
S1,以眼底彩色照相图像和相匹配的眼底荧光造影图像为基础,对眼底荧光造影的视网膜毛细血管图片进行提取;
S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型;
S3,基于血管网络模型,以眼底彩照作为输入,对血管结构进行预测,生成出包括视网膜毛细血管在内的所有血管的标注;
S4,对所标注的视网膜毛细血管进行分析测量。
其中,所述步骤S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型,如图2所示,具体包括:
条件生成对抗网络具体包括生成器和判别器;
在眼底彩色照相图像基础上,通过生成器产生视网膜毛细血管标注图;
以眼底荧光造影的视网膜毛细血管图片为金标准,通过判别器判别所生成的视网膜毛细血管标注图和眼底荧光造影的视网膜毛细血管图片之间的差别,形成生成器与判别器之间的反馈,不断更新生成器的网络参数,直至达成最佳的博弈平衡,也就是产生的生成的视网膜毛细血管标注图最接近眼底荧光造影的视网膜毛细血管图片,如图3所示,提取生成器进行测试,并形成最终的血管网络模型。
所述步骤S3中,完成训练的条件生成网络模型,以眼底彩色照相作为唯一输入,在无需荧光造影图片的情况下,自动产生视网膜毛细血管的标注,并使标注的精确度达到荧光造影图片的精度水平。
所述步骤S4,对所标注的视网膜毛细血管进行分析测量,具体包括:
根据任务将视网膜进行不同位置的分区,可分为上方、颞上、鼻上、下方、颞下、鼻下、鼻侧、颞侧;黄斑区根据但不限于ETDRS 9宫格进行分区,在不同分区内对视网膜小血管密度、面积、形态进行定量测量。
其中,所述形态分析测量值包括血管管径、血管密度、迂曲度和分形维度。
本发明所述标注的含义,包括“生成”和“分割”。
此外,眼底照相的检查方法,包括但不限于彩色眼底照相、超广角激光扫描检眼镜。
综上,本发明提供的基于条件生成对抗网络的眼底彩照毛细血管标注方法,在眼底彩色照相和眼底荧光造影图像进行匹配后,以眼底荧光造影图片作为金标准,构建条件生成对抗网络,在眼底彩色照相图片中,生成出高分辨率的视网膜血管(尤其是毛细血管)的标注图。条件生成对抗网络具体包括生成器和判别器,生成器负责在眼底彩色照相图片中,生成视网膜毛细血管的标注图,判别器用于判别所生成的视网膜毛细血管标注图和眼底荧光造影图的差别,从而形成生成器和判别器之间的反馈,直到最后产生与荧光造影图片最接近的视网膜毛细血管标注图。完成训练后的条件生成对抗网络,可以在无需眼底荧光造影图片的情况下,以眼底彩照作为唯一的输入,直接产生眼底视网膜血管和毛细血管的标注图,准确显示和标注视网膜毛细血管的形态、轮廓和边界,使其精确程度达到荧光血管造影的级别,同时对所产生的视网膜毛细血管进行分析测量。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于条件生成对抗网络的眼底彩照毛细血管标注方法,其特征在于,包括以下步骤:
S1,以眼底彩色照相图像和相匹配的眼底荧光造影图像为基础,对眼底荧光造影的视网膜毛细血管图片进行提取;
S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型;
S3,基于血管网络模型,以眼底彩照作为输入,对血管结构进行预测,生成出包括视网膜毛细血管在内的所有血管的标注;
S4,对所标注的视网膜毛细血管进行分析测量。
2.根据权利要求1所述的基于条件生成对抗网络的眼底彩照毛细血管标注方法,其特征在于,所述步骤S2,使用条件生成对抗网络,以眼底荧光造影的视网膜毛细血管图片为金标准,生成包括视网膜毛细血管在内的血管网络模型,具体包括:
条件生成对抗网络具体包括生成器和判别器;
在眼底彩色照相图像基础上,通过生成器产生视网膜毛细血管标注图;
以眼底荧光造影的视网膜毛细血管图片为金标准,通过判别器判别所生成的视网膜毛细血管标注图和眼底荧光造影的视网膜毛细血管图片之间的差别,形成生成器与判别器之间的反馈,不断更新生成器的网络参数,直至达成最佳的博弈平衡,也就是产生的生成的视网膜毛细血管标注图最接近眼底荧光造影的视网膜毛细血管图片,提取生成器进行测试,并形成最终的血管网络模型。
3.根据权利要求1所述的基于条件生成对抗网络的眼底彩照毛细血管标注方法,其特征在于,所述步骤S4,对所标注的视网膜毛细血管进行分析测量,具体包括:
根据任务将视网膜进行不同位置的分区,分为上方、颞上、鼻上、下方、颞下、鼻下、鼻侧、颞侧;
黄斑区根据但不限于ETDRS 9宫格进行分区,在不同分区内对视网膜小血管密度、面积、形态进行定量测量。
4.根据权利要求3所述的基于条件生成对抗网络的眼底彩照毛细血管标注方法,其特征在于,所述形态分析测量值包括血管管径、血管密度、迂曲度和分形维度。
5.根据权力要求1的基于条件生成对抗网络的眼底彩照毛细血管标注方法,其特征在于,所述标注的含义,包括“生成”和“分割”。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370397.8A CN114782339A (zh) | 2022-04-09 | 2022-04-09 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
PCT/CN2022/119057 WO2023193404A1 (zh) | 2022-04-09 | 2022-09-15 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210370397.8A CN114782339A (zh) | 2022-04-09 | 2022-04-09 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782339A true CN114782339A (zh) | 2022-07-22 |
Family
ID=82430194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210370397.8A Pending CN114782339A (zh) | 2022-04-09 | 2022-04-09 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114782339A (zh) |
WO (1) | WO2023193404A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193404A1 (zh) * | 2022-04-09 | 2023-10-12 | 中山大学中山眼科中心 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
WO2024027046A1 (zh) * | 2022-08-02 | 2024-02-08 | 中山大学中山眼科中心 | 一种利用眼底彩照自动生成荧光造影图像的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5080944B2 (ja) * | 2007-11-08 | 2012-11-21 | 興和株式会社 | パノラマ眼底画像合成装置及び方法 |
CN108961334B (zh) * | 2018-06-26 | 2020-05-08 | 电子科技大学 | 一种基于图像配准的视网膜血管壁厚度测量方法 |
CN111797900B (zh) * | 2020-06-09 | 2024-04-09 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 一种oct-a图像的动静脉分类方法及装置 |
CN112950737B (zh) * | 2021-03-17 | 2024-02-02 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的眼底荧光造影图像生成方法 |
CN114782339A (zh) * | 2022-04-09 | 2022-07-22 | 中山大学中山眼科中心 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
-
2022
- 2022-04-09 CN CN202210370397.8A patent/CN114782339A/zh active Pending
- 2022-09-15 WO PCT/CN2022/119057 patent/WO2023193404A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193404A1 (zh) * | 2022-04-09 | 2023-10-12 | 中山大学中山眼科中心 | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 |
WO2024027046A1 (zh) * | 2022-08-02 | 2024-02-08 | 中山大学中山眼科中心 | 一种利用眼底彩照自动生成荧光造影图像的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023193404A1 (zh) | 2023-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Automatic feature learning to grade nuclear cataracts based on deep learning | |
Kamran et al. | Vtgan: Semi-supervised retinal image synthesis and disease prediction using vision transformers | |
CN110010219A (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
CN114782339A (zh) | 一种基于条件生成对抗网络的眼底彩照毛细血管标注方法 | |
EP4023143A1 (en) | Information processing device, information processing method, information processing system, and program | |
CN110197493A (zh) | 眼底图像血管分割方法 | |
US20220284584A1 (en) | Computerised tomography image processing | |
Dimauro et al. | Detecting clinical signs of anaemia from digital images of the palpebral conjunctiva | |
KR20040102038A (ko) | 이미지 픽셀 인코딩 방법, 이미지 처리 방법 및 하나이상의 이미지 픽셀들에 의해 재생된 객체의 특성 인식을위한 이미지 처리 방법 | |
CN109091167A (zh) | 冠状动脉粥样硬化斑块增长的预测方法 | |
WO2019180742A1 (en) | System and method for retinal fundus image semantic segmentation | |
CN108272434A (zh) | 对眼底图像进行处理的方法及装置 | |
CN111685740B (zh) | 一种心脏功能参数检测方法及装置 | |
CN109215039B (zh) | 一种基于神经网络的眼底图片的处理方法 | |
CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
Abbasi-Sureshjani et al. | Exploratory study on direct prediction of diabetes using deep residual networks | |
Zia et al. | A multilevel deep feature selection framework for diabetic retinopathy image classification | |
Vamsi et al. | Early Detection of Hemorrhagic Stroke Using a Lightweight Deep Learning Neural Network Model. | |
CN111402184A (zh) | 一种实现远程眼底筛查和健康服务的方法和系统 | |
Zhao et al. | Automated coronary tree segmentation for x-ray angiography sequences using fully-convolutional neural networks | |
CN113576399B (zh) | 一种糖网分析方法、系统以及电子设备 | |
CN115482223A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Miao et al. | Visual quantification of the circle of willis: An automated identification and standardized representation | |
JP4068098B2 (ja) | 血流測定装置 | |
Gende et al. | High/low quality style transfer for mutual conversion of OCT images using contrastive unpaired translation generative adversarial networks |
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 |