CN114972148A - 一种眼底图像质量评估方法、系统及其装置 - Google Patents
一种眼底图像质量评估方法、系统及其装置 Download PDFInfo
- Publication number
- CN114972148A CN114972148A CN202110197298.XA CN202110197298A CN114972148A CN 114972148 A CN114972148 A CN 114972148A CN 202110197298 A CN202110197298 A CN 202110197298A CN 114972148 A CN114972148 A CN 114972148A
- Authority
- CN
- China
- Prior art keywords
- image
- fundus image
- fundus
- image quality
- quality evaluation
- 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
-
- 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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种眼底图像质量评估方法、系统及其装置,具体通过计算眼底图像的清晰度和曝光度,自动对视盘和黄斑进行检测,并判别眼底图像的眼别和眼位,从而实现对眼底图像的自动评估,判别图像的合格与否。该方法可在不需要参考图像的条件下自动实现对拍摄的眼底图像进行评估,并且具有很高的效率和准确率,同时具有很强的鲁棒性,能够为后续建立标准图像数据库以及高效科学的眼底图片远程或人工智能读片做出铺垫和保障。
Description
技术领域
本发明属于医学图像处理技术领域,涉及一种基于计算机视觉的眼底图像质量评估方法,具体涉及一种眼底图像质量评估方法、系统及其装置。
背景技术
在临床中获得高质量的眼底图像是准确诊断病情的先决条件,眼底图像质量评价是眼底图像在临床辅助诊断发展中的一个基础性的问题。通常图像质量评价分为两大类即主观质量评价和客观质量评价,客观质量评价法主要分为全参考法、半参考法和无参考法,由于全参考和半参考都需要获得参考图像的信息,在实际应用中有较大的障碍。
在自动化眼疾病病变筛查系统中,输入图像的质量对于眼疾病自动筛查诊断结果具有至关重要的作用,自动诊断分析系统要求输入的视网膜眼底图像具有能满足分析要求的最低质量,这样便于提取特征进行后续的诊断要求。然而在实际中,由于拍摄者技术、眼底拍照操作熟练度,患者配合度,患者瞳孔大小,屈光介质混沌等多种干扰因素的存在,导致采集的眼底图像质量参差不齐,眼底图像会出现噪声、模糊、畸变以及低照明度等图像质量问题,进而影响后续的眼疾病诊断分析,因此需要一种评估眼底图像质量的方法,在无参考图像的前提下对图像质量进行判别,规范影像质量和规范基层拍片,降低因为图像质量不合格导致的阅片问题。
专利CN202010399562.3公开了一种用于评估眼底图像质量的方法,该方法将采集到的眼底图像进行预处理,裁剪视网膜图像周围多余的背景,获得只含有视网膜的区域;随后,基于经预处理后的眼底图像分别提取颜色、聚焦、对比度和照明特征并进行评估;最后,基于上述特征加权评估的置信度,确定眼底图像的评估结果,并分析导致成像质量低的原因。专利CN201910357643.4公开了一种基于人类视觉系统的眼底图像质量评估方法,包括:选取数据集中的一部分眼底图像作为原始数据样本并进行预处理,去除背景部分并提取感兴趣区域部分;计算眼底图像的显著图;利用微调深度神经网络训练卷积神经网络,将自然图像的网络参数迁移到医学图像网络的训练中;提取出眼底图像的特征以及显著图中的显著性特征并进行特征融合;对融合的特征构建出样本的特征矩阵,并利用特征矩阵训练支持向量机分类器,对眼底图像质量进行分类。专利CN201711286400.3公开了一种对眼底图像进行处理的方法及装置,所述方法包括:获取待处理眼底图像;评估所述待处理眼底图像的图像质量参数,所述图像质量参数为体现不同眼底图像之间质量差异的参数;以及根据所述图像质量参数,按照标准图像参数,对所述待处理眼底图像进行预处理,以消除不同眼底图像的质量差异,获得图像质量统一的眼底图像。
上述专利所提供的眼底图像质量评估方法对眼底图像特征处理不足,导致输出的眼底图像准确率较低,无法达到实际应用的目的。因此本发明人在“一种基于计算机视觉的眼底图像质量评估系统的开发及应用”一文中提出了一种眼底图像评估方法(详见:徐艺,凌赛广,董洲,柯鑫,陆丽娜,邹海东.一种基于计算机视觉的眼底图像质量评估系统的开发及应用[J].中华眼科杂志,2020,56(12):920-927.),该方法经实际应准确率较高,但是对图像预处理的结果要求较高,且眼位和眼别的判别依赖于黄斑和视盘的检测结果,应用范围较小。
发明内容
为解决上述问题,本发明目的在于提供一种自动评估眼底图像质量的方法,从源头上把控眼底图像的质量标准,提高基层拍片质量和规范性,为后续建立标准图像数据库以及高效科学的眼底图片远程或人工智能读片做出铺垫和保障。
基于上述目的,本发明提供了一种眼底图像质量评估方法,可以对输入的眼底图像进行自动评估,所述自动评估的方法包括,
对输入的眼底图像进行曝光异常检测;
计算眼底图像的清晰度;
对眼底图像进行视盘和黄斑检测;
判别眼底图像的眼位和眼别;
对眼底图像进行质量评估,判别图像合格与否。
本领域普通技术人员知晓,在眼底图像处理之前一般还需要进行预处理,以减少对眼底图像内容检测分析的干扰,因此本发明所述的一种眼底图像质量评估方法还包括图像预处理步骤,具体地,所述图像预处理包括,
以系统输入的眼底图像为原始数据样本,通过波段变换将多波段彩色图像变为灰度图像;
基于阈值分割算法对眼底图像进行分割,得到初始ROI区域;
对初始ROI区域进行腐蚀及形态学的开运算操作,使得ROI区域为一连续区域,得到最终的ROI区域;
将图像的色调、饱和度和亮度都归一化到同一数值范围,得到去除背景区域的均一的彩色眼底图。
进一步地,本发明所述图像曝光异常检测,是通过对图像的色调、饱和度、亮度进行加权计算,求得图像的曝光度值,综合判定图像的曝光质量。
进一步地,本发明所述计算眼底图像清晰度的方法,是通过傅里叶变换将眼底图像从空间域转换到频率域,然后提取高频部分,再将高频部分通过逆变换转换到空间域,从而提取眼底图像线特征,基于眼底图像线特征的平均对比度来判定图像的清晰度。
进一步地,本发明所述视盘和黄斑检测的方法,是用深度学习的方法进行视盘和黄斑检测,具体是在标注一定的样本后,使用预先设定的神经网络模型进行训练从而确定模型参数,再用训练好的模型进行黄斑和视盘检测,利用检测的黄斑和视盘的相对位置来识别眼别和眼位。
本发明还提供了一种眼底图像质量评估系统,具体是按所述眼底图像的评估方法和逻辑进行整合,并进行系统界面设计开发以形成眼底图像质量评估系统软件,用户打开软件,设置读取眼底图像的路径和眼底图像保存的路径后,即可输入眼底图像进行质量评估,对于每一张需要进行质量评估的眼底图像,系统会自动进行图像质量评价,并根据图像质量判别规则判断图像合格与否,整个眼底图像评估会在1s内完成,眼底图像评估系统会自动显示评估结果,之后用户可对评估后的图像和结果进行保存。
本发明所述的眼底质量评估系统可对输入的眼底图像自动进行评估,根据眼底图像的曝光度、清晰度、视盘和黄斑检测结果,以及眼别和眼位的信息,来对眼底图像质量进行综合评估,输出合格的眼底图像。
另外,本发明人还提供了一种眼底图像质量评估装置,按照以上所述眼底图像质量评估方法构建图像处理模块,将各个图像处理模块联合构成眼底图像质量评估装置。
进一步地,该装置可在1S内自动完成眼底图像质量的评估,具有效率高,准确率高的特点。
需要说明的是,眼底图像质量评估系统或眼底图像质量评估装置是基于本发明所述的眼底图像质量评估方法所提出来的,即为本发明所述眼底图像质量评估方法的一种实施方式,并非对本发明的保护范围做出限定,任何在不脱离本发明所述眼底图像质量评估方法而设计的眼底图像质量评估系统或眼底图像质量评估装置都属于本发明的保护范围。
与现有技术相比,本发明所述的一种眼底图像质量评估方法、系统及其装置具有以下有益效果或者优点:
(1)本发明提供了一种无参照的眼底图像质量评估的方法及其系统,利用人工智能技术对图像质量进行自动评估与判定,在无参考图像的前提下对图像质量进行判别,规范了影像质量和规范基层拍片,提高了基层眼底图像采集的合格率,降低了因为图像质量不合格导致的阅片问题。
(2)眼底图像质量评估是一个主观的过程,并无统一的标准,因此在对图像进行处理,评估图像质量的过程中,如何合理的利用图像特征是本发明的一个技术难点,本发明基于人工智能技术对图像质量进行自动评估与判定,有助于提高基层眼底图像采集的合格率,从而提高最终阅片结果的准确性。
(3)本发明使用深度学习的方法进行视盘和黄斑的检测,对图像预处理结果的要求较低,且可以不依赖于图像预处理直接进行视盘和黄斑检测,从而使得视盘和黄斑的检测更加具有独立性。
(4)“一种基于计算机视觉的眼底图像质量评估系统的开发及应用”一文提供的眼底图像质量评估方法是基于视盘和黄斑的相对位置来判别眼别和眼位,因此对于眼位和眼别的判别一定依赖于视盘和黄斑的检测结果。本发明用深度学习来进行视盘和黄斑的检测,后续对于眼别和眼位的判断可以基于前面视盘和黄斑的相对位置,但在没有检测到视盘和黄斑的情况下,也可以直接识别眼别和眼位,因此,本发明所述眼底图像评估方法应用范围更广。
(5)本发明所述的眼底图像质量评估模型的建立不需要很多的先验知识,相对于现有技术来说,模型的建立更加的简单。
附图说明
图1为眼底图像预处理前后效果对比图。
图2为图像切分示意图。
图3为图像频谱图和高频图。
图4为曝光度和清晰度计算示例。
图5为眼底图像评估输出结果示例。
图6为眼底图像质量评估系统用户界面。
图7为眼底图像质量评估装置结构图。
图3中,A为眼底图频率域的频谱图,B为保留高频区域的频谱图,C为眼底的高频区域的频谱图。
图6中,1为评估结果指示灯区域,2为当前图像评估区域,3为近期评估记录区域。
具体实施方式
下面,结合附图对本发明的技术方案进行说明,但不以任何方式对本发明加以限制,基于本发明内容所作的任何变换或替换,均属于本发明的保护范围。
本发明提供的一种眼底图像质量评估方法,其采用如下的技术方案:
(1)眼底图像预处理
从系统界面输入一个彩色的眼底图像,通过波段变换将多波段彩色图像变为灰度图像,再基于灰度阈值分割算法对眼底图像进行二值分割,从而得到初始感兴趣区域(ROI);然后对初始ROI区域进行腐蚀及形态学的开运算操作,缩小ROI的边界,确保ROI区域为一连续区域。
再依据图像的曝光分布对图像的亮度进行补偿,以使亮的区域亮度减弱,暗的区域亮度增强,使得被处理图像的色调、饱和度和亮度信息都归一化到同一数值范围,预处理前和预处理后如图1所示,预处理后的眼底照片与预处理前相比,色彩饱和度增加,对比度增强。
(2)眼底图像成像质量评价
将上述预处理后的图像切分成如图2所示的16小块,按照式1的算法分别计算各小块的色调、饱和度、亮度,再通过式2所示方法加权求和计算图像的曝光度值,用以综合判定图像的曝光质量。
清晰度判断首先通过傅里叶变换将图像从空间域转换到频率域(如图3A),提取高频部分(如图3B),再将高频部分通过逆变换转换到空间域(如图3C),从而提取眼底图像线特征,基于线特征的平均对比度来判定图像的清晰度(如图4E-H)。
如图3中,图A表示眼底图频率域表现,图B表示保留高频区域的频谱图,图C表示眼底的高频区域(即图B的逆变换)。图4中,图A~D数字为曝光度计算值,A和B为曝光度过低的眼底照片,图C曝光度适中,图D曝光度过高,曝光度过高或者过低均属于曝光异常;图E~H数字为清晰度计算值,图E、F、G清晰度不合格,即图像模糊,图H清晰度达到要求
式1:
其中,A表示曝光值矩阵,B表示权重系数矩阵,C表示前两个矩阵点乘所得的曝光分布矩阵,对其求和后得到整体曝光度E;
式2:
其中,E表示整体曝光度,Wi表示各个小块的权重系数,Vi表示每个小块曝光值。
(3)眼底图像内容检测
用深度学习的方法设定神经网络模型进行训练并确定模型参数;在标注一定的样本后,使用预先设定的神经网络模型进行训练从而确定模型参数,再用训练好的模型进行黄斑和视盘检测,利用检测的黄斑和视盘的相对位置来识别眼别和眼位。
(4)眼底图像评价结果输出
根据曝光评价、清晰度评价以及视盘、黄斑检测结果综合评估眼底图像质量是否合格。
本发明提供的一种眼底图像质量评估系统是使用上述方法中所描述的图像处理评估模块按图像处理流程和逻辑进行整合,并进行系统界面设计开发以形成眼底图像质量评估系统软件,用户打开软件设置读取眼底图像的路径(即需要进行质量评估的眼底图像存放的路径)和眼底图像保存的路径(即质量评估后眼底图像保存的路径)后,即可输入眼底图像进行质量评估,软件用户界面如图6所示。对于输入的眼底图像,软件会自动进行左右眼和眼位识别以及图像质量评估,其中图6最上面1号区域灰色圆为指示灯,当出现对应的合格图像后,指示灯会由灰色变为绿色,下面分别为当前评估的眼底图像区域(2号区域)以及历史评估图像区域(3号区域)。对于每一张需要进行质量评估的眼底图像,系统会自动进行图像质量评价和视盘黄斑识别,并根据图像质量判别规则对图像进行合格与否的判断,整个眼底图像评估会在1s内完成,眼底图像评估系统会自动显示评估结果,之后用户可对评估后的图像和结果进行保存。
其输出结果如图5所示,图中文字为评估输出结果说明。其中图A和B为不合格照片,以红色字体标注,异常原因分别为图像模糊和曝光异常;C和D为合格照片,以绿色字体标注,同时标明了照片分别以黄斑为中心和视盘为中心拍摄。
本发明提供的眼底图像质量评估装置,如图7所示,包含图像预处理模块、成像质量评价模块、内容检测模块和评估结果输出模块,具体地,
所述图像预处理模块,以系统输入的眼底图像为原始数据样本,对图像进行背景去除、归一化操作,得到去除背景区域的均一的彩色眼底图;
所述图像质量评价模块,采用分块求值和加权求和的方法对图像进行曝光异常检测,提取图像线特征,通过线特征的平均对比度来判定图像的清晰度;
所述内容检测模块,设定神经网络模型进行训练并确定模型参数,再用训练好的模型进行黄斑和视盘检测,利用检测的黄斑和视盘的相对位置来识别眼别和眼位;
所述评估结果输出模块,根据曝光异常检测结果、清晰度评价结果以及视盘和黄斑检测结果来综合评估眼底图像质量是否合格,输出图像以及图像的曝光值和清晰度值。
需要说明的是,眼底图像质量评估系统或眼底图像质量评估装置是基于本发明所述的眼底图像质量评估方法所提出来的,即为本发明所述眼底图像质量评估方法的一种实施方式,并非对本发明的保护范围做出限定,任何在不脱离本发明所述眼底图像质量评估方法而设计的眼底图像质量评估系统或眼底图像质量评估装置都属于本发明的保护范围。
如上所述,即可较好地实现本发明,上述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种改变和改进,均应落入本发明确定的保护范围内。
Claims (10)
1.一种眼底图像质量评估方法,其特征在于,所述评估方法包括,
对输入的眼底图像进行曝光异常检测;
计算眼底图像的清晰度;
对眼底图像进行视盘和黄斑检测;
判别眼底图像的眼位和眼别;
对眼底图像进行质量评估,判别图像合格与否。
2.根据权利要求1所述的眼底图像质量评估方法,其特征在于,还包括图像预处理,所述图像预处理的方法包括,
以系统输入的眼底图像为原始数据样本,通过波段变换将多波段彩色图像变为灰度图像;
基于阈值分割算法对眼底图像进行分割,得到初始ROI区域;
对初始ROI区域进行腐蚀及形态学的开运算操作,使得ROI区域为一连续区域,得到最终的ROI区域;
将图像的色调、饱和度和亮度都归一化到同一数值范围,得到去除背景区域的均一的彩色眼底图。
3.根据权利要求1所述的眼底图像质量评估方法,其特征在于,所述图像曝光异常检测,是对图像的色调、饱和度、亮度进行加权计算,求得图像的曝光度值。
4.根据权利要求1所述的眼底图像质量评估方法,其特征在于,所述计算眼底图像清晰度的方法包括,
将眼底图像从空间域转换到频率域,提取高频部分;
将高频部分通过逆变换转换到空间域,提取眼底图像线特征;
基于线特征的平均对比度来计算眼底图像的清晰度。
5.根据权利要求1所述的眼底图像质量评估方法,其特征在于,采用深度学习的方法进行视盘和黄斑检测。
6.根据权利要求1所述的眼底图像质量评估方法,其特征在于,所述视盘和黄斑检测,具体是在标注一定的样本后,使用预先设定的神经网络模型进行训练从而确定模型参数,根据训练好的模型进行视盘和黄斑检测。
7.根据权利要求1所述的眼底图像质量评估方法,其特征在于,所述对眼底图像质量进行自动评估,是根据眼底图像的曝光度、清晰度、视盘和黄斑检测结果,以及眼别和眼位的信息,来对眼底图像质量进行综合评估,输出合格的眼底图像。
8.一种眼底图像质量评估系统,其特征在于,采用权利要求1至6任一项所述的眼底图像质量评估方法,按所述眼底图像的评估方法和逻辑进行整合,并进行系统界面设计开发以形成眼底图像质量评估系统软件。
9.根据权利要求7所述的质量评估系统,其特征在于,所述眼底图像质量评估系统软件会对每一张眼底图像进行自动评估,并根据图像质量判别规则判断图像合格与否。
10.一种眼底图像质量评估装置,其特征在于,采用权利要求1至6任一项所述方法构建图像处理模块,将各个图像处理模块联合构成眼底图像质量评估装置,该装置可在1S内自动完成眼底图像质量的评估,具有效率高,准确率高的特点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197298.XA CN114972148A (zh) | 2021-02-22 | 2021-02-22 | 一种眼底图像质量评估方法、系统及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110197298.XA CN114972148A (zh) | 2021-02-22 | 2021-02-22 | 一种眼底图像质量评估方法、系统及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972148A true CN114972148A (zh) | 2022-08-30 |
Family
ID=82954653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110197298.XA Pending CN114972148A (zh) | 2021-02-22 | 2021-02-22 | 一种眼底图像质量评估方法、系统及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972148A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
-
2021
- 2021-02-22 CN CN202110197298.XA patent/CN114972148A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117893529A (zh) * | 2024-03-14 | 2024-04-16 | 江苏富翰医疗产业发展有限公司 | 一种眼底智能拍摄方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103938A4 (en) | A classification method of diabetic retinopathy grade based on deep learning | |
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Kavitha et al. | Early detection of glaucoma in retinal images using cup to disc ratio | |
CN111640090B (zh) | 一种用于评估眼底图像质量的方法 | |
CN113576508B (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
JP2023503781A (ja) | 眼底画像認識方法及び装置並びに設備 | |
Naveen et al. | Diabetic retinopathy detection using image processing | |
CN115205315A (zh) | 一种眼科体征保持的眼底图像增强方法 | |
Atheesan et al. | Automatic glaucoma detection by using funduscopic images | |
CN114972148A (zh) | 一种眼底图像质量评估方法、系统及其装置 | |
CN111292285A (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 | |
Verma et al. | Machine learning classifiers for detection of glaucoma | |
KR102282334B1 (ko) | 시신경 유두 분류 방법 | |
Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
Umamageswari et al. | Identifying Diabetics Retinopathy using Deep Learning based Classification | |
Palanisamy et al. | An adaptive enhancement method for low contrast color retinal images based on strucural similarity | |
Mei et al. | Optic disc segmentation method based on low rank matrix recovery theory | |
Palanisamy et al. | An adaptive enhancement and fovea detection technique for color fundus image analysis | |
Panse et al. | Glaucoma and diabetic retinopathy diagnosis using image mining | |
Biswas et al. | Grading Quality of Color Retinal Images to Assist Fundus Camera Operators | |
Ghorab et al. | Computer-Based Detection of Glaucoma Using Fundus Image Processing | |
Ruminavičiūtė et al. | Ensemble for quality assessment of eye fundus images involving deep learning methods |
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 |