CN115018799A - 一种基于深度学习的眼底图像质量优化方法 - Google Patents
一种基于深度学习的眼底图像质量优化方法 Download PDFInfo
- Publication number
- CN115018799A CN115018799A CN202210670669.6A CN202210670669A CN115018799A CN 115018799 A CN115018799 A CN 115018799A CN 202210670669 A CN202210670669 A CN 202210670669A CN 115018799 A CN115018799 A CN 115018799A
- Authority
- CN
- China
- Prior art keywords
- fundus image
- convolution
- circular array
- fundus
- primary
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000003902 lesion Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 101100172288 Pseudomonas fluorescens biotype A endX gene Proteins 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000010191 image analysis Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 6
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000003161 choroid Anatomy 0.000 description 1
- 208000027129 choroid disease Diseases 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000004127 vitreous body 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及眼底图像分析的技术领域，特别是涉及一种基于深度学习的眼底图像质量优化方法，其能够对眼底图像进行快速识别，精确定位眼底疾病病变位置，优化眼底图像的处理过程；包括以下步骤：步骤1、获取眼底图像，并对眼底图像进行锐化，灰度处理；步骤2、对步骤1中经过灰度处理的图像进行圆心确定，并根据确定的圆心进行同心环带分割，得到若干组同心等距环带；并沿径向将同心的每组环带均匀分割成若干组像素块；步骤3、计算步骤2中每组像素块的平均灰度值，并对此像素块进行灰度赋值，得到圆形数阵；步骤4、对步骤3中的圆形数阵进行卷积计算，根据卷积计算结果得到相对应的病变区域图像。
Description
技术领域
本发明涉及眼底图像分析的技术领域，特别是涉及一种基于深度学习的眼底图像质量优化方法。
背景技术
眼底图像是检查玻璃体、视网膜、脉络膜和视神经疾病的重要参照影响，许多全身性疾病如高血压病、糖尿病等均会发生眼底病变，因此眼底图像是一种重要诊断资料；
现有的眼底图像处理方法采用传统的矩阵卷积计算，由于眼底图像的形状特殊性，在使用矩阵卷积计算进行识别时，病变位置的定位效率与定位精度均比较低下。
发明内容
为解决上述技术问题，本发明提供一种能够对眼底图像进行快速识别，精确定位眼底疾病病变位置，优化眼底图像的处理过程的基于深度学习的眼底图像质量优化方法。
本发明的一种基于深度学习的眼底图像质量优化方法，包括以下步骤：
步骤1、获取眼底图像，并对眼底图像进行锐化，灰度处理；
步骤2、对步骤1中经过灰度处理的图像进行圆心确定，并根据确定的圆心进行同心环带分割，得到若干组同心等距环带；并沿径向将同心的每组环带均匀分割成若干组像素块；
步骤3、计算步骤2中每组像素块的平均灰度值，并对此像素块进行灰度赋值，得到圆形数阵；
步骤4、对步骤3中的圆形数阵进行卷积计算，根据卷积计算结果得到相对应的病变区域图像。
进一步地，其中步骤2中通过MATLAB对灰度处理后的眼底图像进行圆心确认，圆心定位程序包括以下步骤：
B=imread(‘眼底图像’);%读取原图
A=im2bw(B);%二值化
[x,y]=find(A==0);%眼底图像边缘像素的坐标集合
center_x=min(x)+(max(x)-min(x))/2;
center_y=min(y)+(max(y)-min(y))/2;
center=[center_x,center_y];%此为眼底图像的圆心坐标
其中，眼底图像格式采用BMP、GIF、HDF、JPEG、PCX、PNG、TIFF和XWD。
进一步地，其中步骤3中通过MATLAB计算每组像素块的平均灰度值，计算程序包括以下步骤：
II1=imread(‘像素块’); %读取图像
II2=imread(‘像素块’); %读取图像
I1=rgb2gray(II1);
I2=rgb2gray(II2);
startX=350; endX=400; %设置像素块横坐标起始坐标及终点坐标
startY=300; endY=350; %设置像素块纵坐标起始坐标及终点坐标
aver1=mean(mean(I1(startY:endY,startX:endX))) %选择像素块平均灰度值
aver2=mean(mean(I2(startY:endY,startX:endX))) %90度选择像素块平均灰度值
p1=(aver1-aver2)/(aver1+aver2) %此为像素块平均灰度值。
进一步地，步骤4的卷积计算中，包括以下步骤：
S1、输入步骤3中灰度赋值后的圆形数阵；
S2、使用初筛卷积核遍历计算S1中的圆形数阵，得到初级卷积结果；
S3、将S2中的初级卷积结果与预先存储的正常眼底图像初级卷积结果进行逐一映射作差，提取初级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵像素块，即眼底图像中的异常区块；
S4、使用定位卷积核遍历计算S3中提取的异常区块，得到二级卷积结果；
S5、将S4中的病变卷积结果与预先存储的正常眼底图像二级卷积结果进行逐一映射作差，提取二级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵区域，即得到眼底图像中的病变区域图像。
进一步地，其中初筛卷积核采用与圆形数阵相同半径的扇形结构，初筛卷积核在进行遍历计算时，使初筛卷积核的圆心与圆形数阵圆心重合，顺时针转动，每次转动角度为像素块所对应的弧度角角度，每转动一次即可得到一组卷积结果，直至将圆形数阵遍历，计算得到的单环数阵即为初级卷积结果。
进一步地，其中定位卷积核采用与圆形数阵相同半径的部分环带结构，定位卷积核在进行遍历计算时，使定位卷积核的圆心与异常区块所在圆心重合，顺时针转动，对异常区块中相同环带内的像素块逐一卷积计算，直至将同一异常区块内的所有环带计算完成，即得到二级卷积结果。
进一步地，步骤2中的环带宽度能够根据不同的眼底病变进行调整，病变范围越小，环带宽度越窄。
进一步地，根据卷积计算时相对于视乳头的起始位置，预先设定眼底图像模板，在步骤2中依靠眼底图像模板对眼底图像样本进行角度调整至样本视乳头与模板视乳头重合。
与现有技术相比本发明的有益效果为：由于眼底图像边缘呈圆形的特性，将传统的矩阵卷积计算，优化设计为圆形数阵，并采用扇形卷积核和部分环带卷积核对其进行卷积计算，能够更加精准的定位眼底病变所在位置；同时将矩阵卷积计算中卷积核的横向移动和竖向移动，设计成旋转移动，能够提升卷积计算效率，从而提升眼底图像病变区域的定位提取速率；通过初筛卷积核和定位卷积核来进行二阶卷积计算，相对于直接采用定位卷积核对圆形数阵进行一阶卷积计算来说，计算速度更快，在时间方面实现“1+1＜1”的效果；通过上述设置，此方法能够对眼底图像进行快速识别，精确定位眼底疾病病变位置，优化眼底图像的处理过程。
附图说明
图1是一级卷积运算的逻辑流程图；
图2是二级卷积运算的逻辑流程图。
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。
实施例1
如图1、2所示，本发明的一种基于深度学习的眼底图像质量优化方法，包括以下步骤：
步骤1、获取眼底图像，并对眼底图像进行锐化，灰度处理；
步骤2、通过MATLAB对灰度处理后的眼底图像进行圆心确认，圆心定位程序包括以下步骤：
B=imread(‘眼底图像’);%读取原图
A=im2bw(B);%二值化
[x,y]=find(A==0);%眼底图像边缘像素的坐标集合
center_x=min(x)+(max(x)-min(x))/2;
center_y=min(y)+(max(y)-min(y))/2;
center=[center_x,center_y];%此为眼底图像的圆心坐标
其中，眼底图像格式采用BMP、GIF、HDF、JPEG、PCX、PNG、TIFF和XWD；并根据确定的圆心进行同心环带分割，得到若干组同心等距环带；并沿径向将同心的每组环带均匀分割成若干组像素块，如图1中的眼底图像所示；
步骤3、通过MATLAB计算每组像素块的平均灰度值，计算程序包括以下步骤：
II1=imread(‘像素块’); %读取图像
II2=imread(‘像素块’); %读取图像
I1=rgb2gray(II1);
I2=rgb2gray(II2);
startX=350; endX=400; %设置像素块横坐标起始坐标及终点坐标
startY=300; endY=350; %设置像素块纵坐标起始坐标及终点坐标
aver1=mean(mean(I1(startY:endY,startX:endX))) %选择像素块平均灰度值
aver2=mean(mean(I2(startY:endY,startX:endX))) %90度选择像素块平均灰度值
p1=(aver1-aver2)/(aver1+aver2) %此为像素块平均灰度值；
将得到的像素块平均灰度值赋入至图1中对应的眼底图像上，得到圆形数阵；
步骤4、通过以下步骤对S3中的圆形数阵进行卷积计算：
S1、输入步骤3中灰度赋值后的圆形数阵；
S2、使用初筛卷积核遍历计算S1中的圆形数阵，其中初筛卷积核采用与圆形数阵相同半径的扇形结构，初筛卷积核在进行遍历计算时，使初筛卷积核的圆心与圆形数阵圆心重合，顺时针转动，每次转动角度为像素块所对应的弧度角角度，每转动一次即可得到一组卷积结果，直至将圆形数阵遍历，计算得到的单环数阵即为初级卷积结果；
S3、将S2中的初级卷积结果与预先存储的正常眼底图像初级卷积结果进行逐一映射作差，提取初级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵像素块，即眼底图像中的异常区块；
S4、使用定位卷积核遍历计算S3中提取的异常区块，其中定位卷积核采用与圆形数阵相同半径的部分环带结构，定位卷积核在进行遍历计算时，使定位卷积核的圆心与异常区块所在圆心重合，顺时针转动，对异常区块中相同环带内的像素块逐一卷积计算，直至将同一异常区块内的所有环带计算完成，即得到二级卷积结果；
S5、将S4中的病变卷积结果与预先存储的正常眼底图像二级卷积结果进行逐一映射作差，提取二级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵区域，即得到眼底图像中的病变区域图像。
在本实施例中，由于眼底图像边缘呈圆形的特性，将传统的矩阵卷积计算，优化设计为圆形数阵，并采用扇形卷积核和部分环带卷积核对其进行卷积计算，能够更加精准的定位眼底病变所在位置；同时将矩阵卷积计算中卷积核的横向移动和竖向移动，设计成旋转移动，能够提升卷积计算效率，从而提升眼底图像病变区域的定位提取速率；通过初筛卷积核和定位卷积核来进行二阶卷积计算，相对于直接采用定位卷积核对圆形数阵进行一阶卷积计算来说，计算速度更快，在时间方面实现“1+1＜1”的效果，本方法中初筛卷积核和定位卷积核通过对大量正常眼底图像的深度学习后获得；通过上述设置，此方法能够对眼底图像进行快速识别，精确定位眼底疾病病变位置，优化眼底图像的处理过程。
实施例2
本发明的一种基于深度学习的眼底图像质量优化方法，包括以下步骤：
步骤1、获取眼底图像，并对眼底图像进行锐化，灰度处理；
步骤2、根据卷积计算相对于视乳头的起始位置，预先设定眼底图像模板，依靠眼底图像模板对步骤1中获取的眼底图像进行角度调整至样本视乳头与模板视乳头重合，之后通过MATLAB对灰度处理后的眼底图像进行圆心确认，圆心定位程序包括以下步骤：
B=imread(‘眼底图像’);%读取原图
A=im2bw(B);%二值化
[x,y]=find(A==0);%眼底图像边缘像素的坐标集合
center_x=min(x)+(max(x)-min(x))/2;
center_y=min(y)+(max(y)-min(y))/2;
center=[center_x,center_y];%此为眼底图像的圆心坐标
其中，眼底图像格式采用BMP、GIF、HDF、JPEG、PCX、PNG、TIFF和XWD；并根据确定的圆心进行同心环带分割，得到若干组同心等距环带；并沿径向将同心的每组环带均匀分割成若干组像素块，其中同心等距的环带宽度和像素块的弧形角度可根据不同的眼底病变进行调整，病变范围越小，环带宽度越窄，像素块的弧形角度越小，反之病变范围越大，环带宽度越宽，像素块的弧形角度越大；
步骤3、通过MATLAB计算每组像素块的平均灰度值，计算程序包括以下步骤：
II1=imread(‘像素块’); %读取图像
II2=imread(‘像素块’); %读取图像
I1=rgb2gray(II1);
I2=rgb2gray(II2);
startX=350; endX=400; %设置像素块横坐标起始坐标及终点坐标
startY=300; endY=350; %设置像素块纵坐标起始坐标及终点坐标
aver1=mean(mean(I1(startY:endY,startX:endX))) %选择像素块平均灰度值
aver2=mean(mean(I2(startY:endY,startX:endX))) %90度选择像素块平均灰度值
p1=(aver1-aver2)/(aver1+aver2) %此为像素块平均灰度值；
将得到的像素块平均灰度值赋入至图1中对应的眼底图像上，得到圆形数阵；
步骤4、通过以下步骤对S3中的圆形数阵进行卷积计算：
S1、输入步骤3中灰度赋值后的圆形数阵；
S2、使用初筛卷积核遍历计算S1中的圆形数阵，其中初筛卷积核采用与圆形数阵相同半径的扇形结构，初筛卷积核在进行遍历计算时，使初筛卷积核的圆心与圆形数阵圆心重合，顺时针转动，每次转动角度为像素块所对应的弧度角角度，每转动一次即可得到一组卷积结果，直至将圆形数阵遍历，计算得到的单环数阵即为初级卷积结果；
S3、将S2中的初级卷积结果与预先存储的正常眼底图像初级卷积结果进行逐一映射作差，提取初级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵像素块，即眼底图像中的异常区块；
S4、使用定位卷积核遍历计算S3中提取的异常区块，其中定位卷积核采用与圆形数阵相同半径的部分环带结构，定位卷积核在进行遍历计算时，使定位卷积核的圆心与异常区块所在圆心重合，顺时针转动，对异常区块中相同环带内的像素块逐一卷积计算，直至将同一异常区块内的所有环带计算完成，即得到二级卷积结果；
S5、将S4中的病变卷积结果与预先存储的正常眼底图像二级卷积结果进行逐一映射作差，提取二级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵区域，即得到眼底图像中的病变区域图像。
在本实施例中，设置同心等距的环带宽度和像素块的弧形角度可调，能够使本方法在保证定位速率的同时，适用于不同眼底病变的图像定位，提升该方法的灵活运行程度；同时，对眼底图像进行初步角度调整，能够减少运算过程中的误差，提升该方法的精准度。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习的眼底图像质量优化方法，其特征在于，包括以下步骤：
步骤1、获取眼底图像，并对眼底图像进行锐化，灰度处理；
步骤2、对步骤1中经过灰度处理的图像进行圆心确定，并根据确定的圆心进行同心环带分割，得到若干组同心等距环带；并沿径向将同心的每组环带均匀分割成若干组像素块；
步骤3、计算步骤2中每组像素块的平均灰度值，并对此像素块进行灰度赋值，得到圆形数阵；
步骤4、对步骤3中的圆形数阵进行卷积计算，根据卷积计算结果得到相对应的病变区域图像。
2.如权利要求1所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，其中步骤2中通过MATLAB对灰度处理后的眼底图像进行圆心确认，圆心定位程序包括以下步骤：
B=imread(‘眼底图像’);%读取原图
A=im2bw(B);%二值化
[x,y]=find(A==0);%眼底图像边缘像素的坐标集合
center_x=min(x)+(max(x)-min(x))/2;
center_y=min(y)+(max(y)-min(y))/2;
center=[center_x,center_y];%此为眼底图像的圆心坐标
其中，眼底图像格式采用BMP、GIF、HDF、JPEG、PCX、PNG、TIFF和XWD。
3.如权利要求1所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，其中步骤3中通过MATLAB计算每组像素块的平均灰度值，计算程序包括以下步骤：
II1=imread(‘像素块’); %读取图像
II2=imread(‘像素块’); %读取图像
I1=rgb2gray(II1);
I2=rgb2gray(II2);
startX=350; endX=400; %设置像素块横坐标起始坐标及终点坐标
startY=300; endY=350; %设置像素块纵坐标起始坐标及终点坐标
aver1=mean(mean(I1(startY:endY,startX:endX))) %选择像素块平均灰度值
aver2=mean(mean(I2(startY:endY,startX:endX))) %90度选择像素块平均灰度值
p1=(aver1-aver2)/(aver1+aver2) %此为像素块平均灰度值。
4.如权利要求1所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，步骤4的卷积计算中，包括以下步骤：
S1、输入步骤3中灰度赋值后的圆形数阵；
S2、使用初筛卷积核遍历计算S1中的圆形数阵，得到初级卷积结果；
S3、将S2中的初级卷积结果与预先存储的正常眼底图像初级卷积结果进行逐一映射作差，提取初级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵像素块，即眼底图像中的异常区块；
S4、使用定位卷积核遍历计算S3中提取的异常区块，得到二级卷积结果；
S5、将S4中的病变卷积结果与预先存储的正常眼底图像二级卷积结果进行逐一映射作差，提取二级卷积结果中差值绝对值大于预先设定阈值部分所对应的圆形数阵区域，即得到眼底图像中的病变区域图像。
5.如权利要求4所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，其中初筛卷积核采用与圆形数阵相同半径的扇形结构，初筛卷积核在进行遍历计算时，使初筛卷积核的圆心与圆形数阵圆心重合，顺时针转动，每次转动角度为像素块所对应的弧度角角度，每转动一次即可得到一组卷积结果，直至将圆形数阵遍历，计算得到的单环数阵即为初级卷积结果。
6.如权利要求5所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，其中定位卷积核采用与圆形数阵相同半径的部分环带结构，定位卷积核在进行遍历计算时，使定位卷积核的圆心与异常区块所在圆心重合，顺时针转动，对异常区块中相同环带内的像素块逐一卷积计算，直至将同一异常区块内的所有环带计算完成，即得到二级卷积结果。
7.如权利要求1所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，步骤2中的环带宽度能够根据不同的眼底病变进行调整，病变范围越小，环带宽度越窄。
8.如权利要求1所述的一种基于深度学习的眼底图像质量优化方法，其特征在于，根据卷积计算时相对于视乳头的起始位置，预先设定眼底图像模板，在步骤2中依靠眼底图像模板对眼底图像样本进行角度调整至样本视乳头与模板视乳头重合。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210670669.6A CN115018799B (zh) | 2022-06-15 | 2022-06-15 | 一种基于深度学习的眼底图像质量优化方法 |
| PCT/CN2022/100938 WO2023240674A1 (zh) | 2022-06-15 | 2022-06-24 | 一种基于深度学习的眼底图像质量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210670669.6A CN115018799B (zh) | 2022-06-15 | 2022-06-15 | 一种基于深度学习的眼底图像质量优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115018799A true CN115018799A (zh) | 2022-09-06 |
| CN115018799B CN115018799B (zh) | 2022-11-11 |
Family
ID=83075087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210670669.6A Active CN115018799B (zh) | 2022-06-15 | 2022-06-15 | 一种基于深度学习的眼底图像质量优化方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115018799B (zh) |
| WO (1) | WO2023240674A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009124679A1 (de) * | 2008-04-09 | 2009-10-15 | Carl Zeiss Meditec Ag | Verfahren zur automatisierten detektion und segmentierung der papille in fundusaufnahmen |
| US20160364611A1 (en) * | 2015-06-15 | 2016-12-15 | Morpho | Method for Identifying and/or Authenticating an Individual by Iris Recognition |
| JP2018121885A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、画像処理システム、および画像処理プログラム |
| WO2018215855A1 (en) * | 2017-05-23 | 2018-11-29 | Indian Institute Of Science | Automated fundus image processing techniques for glaucoma prescreening |
| WO2019230643A1 (ja) * | 2018-05-31 | 2019-12-05 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN114240823A (zh) * | 2021-10-29 | 2022-03-25 | 深圳莫廷医疗科技有限公司 | 实时的泪膜破裂检测方法、计算机可读存储介质和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408564B (zh) * | 2016-10-10 | 2019-04-02 | 北京新皓然软件技术有限责任公司 | 一种基于深度学习的眼底图像处理方法、装置及系统 |
| CN111127425B (zh) * | 2019-12-23 | 2023-04-28 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
-
2022
- 2022-06-15 CN CN202210670669.6A patent/CN115018799B/zh active Active
- 2022-06-24 WO PCT/CN2022/100938 patent/WO2023240674A1/zh unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009124679A1 (de) * | 2008-04-09 | 2009-10-15 | Carl Zeiss Meditec Ag | Verfahren zur automatisierten detektion und segmentierung der papille in fundusaufnahmen |
| US20160364611A1 (en) * | 2015-06-15 | 2016-12-15 | Morpho | Method for Identifying and/or Authenticating an Individual by Iris Recognition |
| CN106250810A (zh) * | 2015-06-15 | 2016-12-21 | 摩福公司 | 通过虹膜辨识对个体进行识别和/或认证的方法 |
| JP2018121885A (ja) * | 2017-01-31 | 2018-08-09 | 株式会社ニデック | 画像処理装置、画像処理システム、および画像処理プログラム |
| WO2018215855A1 (en) * | 2017-05-23 | 2018-11-29 | Indian Institute Of Science | Automated fundus image processing techniques for glaucoma prescreening |
| WO2019230643A1 (ja) * | 2018-05-31 | 2019-12-05 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
| CN114240823A (zh) * | 2021-10-29 | 2022-03-25 | 深圳莫廷医疗科技有限公司 | 实时的泪膜破裂检测方法、计算机可读存储介质和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023240674A1 (zh) | 2023-12-21 |
| CN115018799B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116823826B (zh) | 一种数控机床刀具崩刃异常检测方法 | |
| CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
| CN108573502B (zh) | 一种自动测量Cobb角的方法 | |
| CN109272002B (zh) | 一种骨龄片的分类方法及装置 | |
| CN104680509B (zh) | 一种实时圆形印刷图像缺陷检测方法 | |
| CN111462066B (zh) | 一种基于机器视觉的螺纹参数检测方法 | |
| CN1949270A (zh) | 图像处理装置 | |
| CN113793348B (zh) | 一种视网膜血管分割方法和装置 | |
| CN111899267A (zh) | 基于水平集的视网膜血管分割算法 | |
| CN116188472B (zh) | 一种数控机床零件的在线视觉检测方法 | |
| CN105046257A (zh) | 一种后桥主齿轮特殊打标形式的字符识别方法及系统 | |
| CN115018799A (zh) | 一种基于深度学习的眼底图像质量优化方法 | |
| CN115358983A (zh) | 刀具缺陷检测方法、检测设备和计算机可读存储介质 | |
| CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、系统、计算机设备及存储介质 | |
| CN106846314B (zh) | 一种基于术后角膜oct影像数据的图像分割方法 | |
| CN115311281B (zh) | 一种晶片圆心校正方法 | |
| CN116862986B (zh) | 一种脊柱外科手术用机械臂视觉定位方法及系统 | |
| CN109447948B (zh) | 一种基于病灶彩色视网膜眼底图像的视盘分割方法 | |
| CN111062912B (zh) | 一种轮胎断面关键目标的特征提取与检测定位方法 | |
| CN114850967B (zh) | 一种基于人在回路的刀具磨损状态检测方法和系统 | |
| CN107330881A (zh) | 一种用于识别轮毂气门孔的方法 | |
| CN111738195A (zh) | 一种虹膜定位方法及计算机可读存储介质 | |
| CN116012287A (zh) | 一种oct眼底图像中的血管提取方法和装置 | |
| CN114140426B (zh) | 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 | |
| CN114485399B (zh) | 一种尺寸检测系统及方法 |
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 |