CN116309549A - 一种眼底区域检测方法、装置、设备及可读存储介质 - Google Patents
一种眼底区域检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116309549A CN116309549A CN202310524854.9A CN202310524854A CN116309549A CN 116309549 A CN116309549 A CN 116309549A CN 202310524854 A CN202310524854 A CN 202310524854A CN 116309549 A CN116309549 A CN 116309549A
- Authority
- CN
- China
- Prior art keywords
- area
- fundus
- image
- region
- ultra
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 11
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 6
- 238000002372 labelling Methods 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012549 training Methods 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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
Abstract
本申请公开了一种眼底区域检测方法、装置、设备及可读存储介质，应用于图像检测领域，该方法包括：获取超广角眼底图像；利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像；对掩膜图像进行处理得到二值化图像，并将二值化图像中面积最大的封闭区域确定为第一区域；根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。本申请利用无监督聚类技术，不需要进行人工数据标注，有效规避了类似于深度学习等有监督模型开发的资源消耗，且整个过程中自适应提取，无需人工干预，减少了人力物力消耗，节约资源；并且填补了超广角眼底影像中利用无监督方法提取完整眼底区域的空白，对后期的超广角眼底影像的研究提供了借鉴意义。
Description
技术领域
本申请涉及图像检测领域，特别涉及一种眼底区域检测方法、装置、设备及可读存储介质。
背景技术
超广角眼底影像相较于传统眼底彩超图像可视范围更广，能够提供更多的眼底信息，但目前基于超广角眼底影像的研究还比较少，一般局限于常规的图像增强技术，例如图像旋转、翻转、对比度和亮度变化等。但超广角在拥有更多的眼底信息优势的同时，又存在可能存在冗余信息的问题。
现阶段眼底区域中类似分割提取任务的一般方法为人工标注图像，训练U-Net（深度学习分割网络），BiseNet（定时语义分割模型），ResNet（Residual Neural Network，残差网络），yolo（目标检测模型）等各种不同的深度学习网络模型来定位或分割，但该方法必须要人工标注数据，非常消耗人力物力，而且还要训练很长时间，所以提取效率低，提取成本高，并且提取效果难以保证。
发明内容
有鉴于此，本申请的目的在于提供一种眼底区域检测方法、装置、设备及可读存储介质，解决了现有技术中超广角眼底检测的空缺问题以及在眼底领域中常规检测技术的耗时耗力的问题。
为解决上述技术问题，本申请提供了一种眼底区域检测方法，包括：
获取超广角眼底图像；
利用构建好的无监督聚类模型得到所述超广角眼底图像的掩膜图像；
对所述掩膜图像进行处理得到二值化图像，并将所述二值化图像中面积最大的封闭区域确定为第一区域；
根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域。
可选的，所述掩膜图像进行处理得到二值化图像，包括：
将所述掩膜图像转化为灰度图；
利用自适应阈值法对所述灰度图进行二值化处理，得到所述二值化图像。
可选的，所述利用自适应阈值法对所述灰度图进行二值化处理，包括：
将所述灰度图的各个像素值以及所述各个像素值的数量以键值对的形式进行存储；
将所述键值对中数量最多的像素值作为二值化阈值；
利用所述二值化阈值对所述灰度图进行二值化处理。
可选的，在所述对所述掩膜图像进行处理得到二值化图像之后，还包括：
对所述二值化图像进行形态学处理，得到优化二值图；
相应的，所述并将所述二值化图像中面积最大的封闭区域确定为第一区域，包括：
并将所述优化二值图中面积最大的封闭区域确定为所述第一区域。
可选的，所述根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域，包括：
若所述第一区域的位置满足预设位置条件，且所述第一区域的面积满足预设面积条件，则将所述超广角眼底图像的所述第一区域进行分割并提取，得到所述眼底区域；
若所述第一区域的位置满足所述预设位置条件，但所述第一区域的面积不满足所述预设面积条件，则将所述超广角眼底图像的所述第一区域的最小外接矩形区域进行分割并提取，得到所述眼底区域；
否则，则将所述超广角眼底图像的内接椭圆形区域进行分割并提取，得到所述眼底区域。
可选的，所述第一区域的位置满足预设位置条件，包括：
计算所述第一区域的中心点与所述超广角眼底图像的中心点之间的欧式距离，得到距离值；
当所述距离值小于预设距离阈值，则所述第一区域的位置满足所述预设位置条件。
可选的，所述第一区域的面积满足预设面积条件，包括：
计算所述第一区域的面积，得到面积值；
若所述面积值大于预设面积阈值，则所述第一区域的面积满足所述预设面积条件。
本申请还提供了一种眼底区域检测装置，包括：
获取模块，用于获取超广角眼底图像；
聚类模块，用于利用构建好的无监督聚类模型得到所述超广角眼底图像的掩膜图像；
处理模块，用于对所述掩膜图像进行处理得到二值化图像，并将所述二值化图像中面积最大的封闭区域确定为第一区域；
提取模块，用于根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域。
本申请还提供了一种眼底区域检测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述的眼底区域检测方法的步骤。
本申请还提供了一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的眼底区域检测方法的步骤。
可见，本申请通过获取超广角眼底图像；利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像；对掩膜图像进行处理得到二值化图像，并将二值化图像中面积最大的封闭区域确定为第一区域；根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。本申请利用无监督聚类技术，不需要进行人工数据标注，有效规避了类似于深度学习等有监督模型开发的资源消耗，且整个过程中自适应提取，无需人工干预，减少了人力物力消耗，节约资源；并且填补了超广角眼底影像中利用无监督方法提取完整眼底区域的空白，对后期的超广角眼底影像的研究提供了借鉴意义。
此外，本申请还提供了眼底区域检测装置、设备及可读存储介质，同样具有上述有益效果。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种眼底区域检测方法的流程图；
图2为本申请实施例提供的一种眼底区域检测方法的流程示例图；
图3为本申请实施例提供的一种眼底区域检测装置的结构示意图；
图4为本申请实施例提供的一种眼底区域检测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
现阶段，基于眼底影像的辅助诊断系统大都是基于传统眼底彩超图像，该类图像的可视范围相对较窄，可视范围通常为30°-75°，对于视网膜周边的信息涵盖较少，容易丢失有用信息，并且获取难度大，对医生的专业程度及病人的配合度要求很高。然而超广角眼底影像的获取难度相对较小且可视范围达到200°，提供了更多的眼底信息，可以对超广角眼底影像进行研究以帮助提升眼底影像辅助诊断系统的能力。
但目前基于超广角眼底影像的研究还比较少，因为此类图像真正有效区域往往只占该图像的1/3—2/3，有较多的冗余信息干扰模型的学习，因此该图像直接用来构建AI模型往往性能较差。在该领域相关的工作仍局限于常规的图像增强技术，例如图像旋转、翻转、对比度和亮度变化等，并不能实现有效区域的提取、剔除冗余信息的工作。本申请为解决现有技术中超广角眼底检测的空缺问题以及在眼底领域中常规检测技术的耗时耗力的问题，提供了一种眼底区域检测方法，可以实现对超广角眼底影像的眼底区域的提取。
请参考图1，图1为本申请实施例提供的一种眼底区域检测方法的流程图。该方法可以包括：
S101：获取超广角眼底图像。
本实施例的执行主体为终端。本实施例并不限定终端的种类，只要是能够完成眼底区域检测方法的操作即可。例如，终端可以是通用型终端；或者终端还可以是专用型终端。超广角眼底图像为超广角眼底摄像设备拍摄得到的图像，拍摄范围更广，因此能够涵盖整个眼部信息，但同时又存在冗余信息，即无用信息，所以需要对获取得到的超广角眼底图像进行处理，以得到有效区域，即眼底区域。
S102：利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像。
本实施例并不限定具体的无监督聚类模型。例如，无监督聚类模型可以KMEANS模型（基于欧式距离的聚类算法）；或者无监督聚类模型还可以是KMEANS++模型（为KMEANS聚类算法选择初始值的算法）。
为了更好的理解利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像，以KMEANS模型为例，进行解释说明：将KMEANS模型中的K设置为2，根据类内方差最小，类间方差最大的原理，聚类后的图像生成2个簇。即通过KMEANS对超广角眼底图像聚类后的掩膜图像会在眼底区域生成一个簇，其他区域生成另一个簇。
S103：对掩膜图像进行处理得到二值化图像，并将二值化图像中最大的封闭区域确定为第一区域。
可以理解的是，眼底区域面积是最大区域，即将二值化图像中最大的封闭区域确定为第一区域。本实施例可以调用opencv（opencv是一个开源的跨平台计算机视觉和机器学习软件库）的findContours函数（用于查找图像的轮廓）获取二值化图像中的所有封闭多边形，再将所有封闭区域中面积最大的封闭区域判定为第一区域，消除所有其他区域，仅保留眼底第一区域。
本实施例并不限定对掩膜图像的处理过程，只要能够得到二值化图像即可。例如，可以使用自适应阈值的方法得到二值化阈值，根据二值化阈值得到二值化图像；或者还可以使用大津算法寻找二值化阈值，根据二值化阈值得到二值化图像。可以理解的是，在进行二值化图像处理之前，需要先得到灰度图，所以需要先将掩膜图像转化为灰度图，再对灰度图进行处理得到二值化图像。
进一步的，为了保证得到的二值化图像更准确，上述掩膜图像进行处理得到二值化图像，可以包括以下步骤：
步骤21：将掩膜图像转化为灰度图；
步骤22：利用自适应阈值法对灰度图进行二值化处理，得到二值化图像。
本实施例中并不对自适应阈值法做限定，只要能够保证二值化阈值的更加精准即可。
进一步的，为了保证二值化阈值确定的准确性，上述利用自适应阈值法对灰度图进行二值化处理，可以包括以下步骤：
步骤31：将灰度图的各个像素值以及各个像素值的数量以键值对的形式进行存储；
步骤32：将键值对中数量最多的像素值作为二值化阈值；
步骤33：利用二值化阈值对灰度图进行二值化处理。
本实施例先初始化一个字典，利用键值对的形式来存储信息。其中键是灰度图的像素值，具有唯一性，值是该像素值在灰度图中的数量，这样灰度图中的所有像素值及各个像素值出现的次数均被记录在字典中。再根据值的大小情况进行从大到小排序，获取到前2位的值所对应的键（像素值），即这两种像素值在灰度图中出现的比例是最高的，可以判定这两种像素值种一个为背景区域，一个为眼底区域，又因为眼底区域的像素值大于背景区域的像素值，则数值最大的对应的键（像素值）即为眼底区域的像素值，可以通过调用opencv的图像二值化功能，传入该像素值作为二值化阈值，得到二值化图像。本实施例先初始化一个字典，利用键值对的形式来存储信息。其中键是灰度图的像素值，具有唯一性，值是该像素值在灰度图中的数量，这样灰度图中的所有像素值及各个像素值出现的次数均被记录在字典中。再根据值的大小情况进行从大到小排序，获取到前2位的值所对应的键（像素值），即这两种像素值在灰度图中出现的比例是最高的，可以判定这两种像素值种一个为背景区域，一个为眼底区域，又因为眼底区域的像素值大于背景区域的像素值，则数值最大的对应的键（像素值）即为眼底区域的像素值，可以通过调用opencv的图像二值化功能，传入该像素值作为二值化阈值，得到二值化图像。
进一步的，为了进一步提高二值化图像的质量，保证后期的封闭区域提取的有效性，在上述对掩膜图像进行处理得到二值化图像之后，还可以包括以下步骤：
对二值化图像进行形态学处理，得到优化二值图；
相应的，并将二值化图像中面积最大的封闭区域确定为第一区域，包括：
并将优化二值图中面积最大的封闭区域确定为第一区域。
本实施例考虑到当对掩膜图像进行二值化处理后，得到的二值化图像可能存在边缘不清晰，边缘不够平滑，存在噪声点等现象，会影响后期的封闭区域的提取工作。因此，还可以对二值化图像进行形态学处理，可以包括滤波去噪、开闭运算和腐蚀膨胀等消除二值化图像中的噪声点，平滑边缘，同时尽可能增加眼底区域的边缘与背景边缘的间隔。可以理解的是，当对二值化图像进行优化得到优化二值图时，将二值化图像中面积最大的封闭区域确定为第一区域，包括将优化二值图中面积最大的封闭区域确定为第一区域。
S104：根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。
本实施例并不限定分割及提取的过程。例如，可以直接对超广角眼底图像对应的第一区域进行分割，并提取得到眼底区域；或者还可以对第一区域进行判断，当第一区域满足预设条件时，再对超广角眼底图像对应的第一区域进行分割，并提取得到眼底区域；当第一区域不满足预设条件时，则根据预设区域进行分割并提取，以此得到眼底区域。本实施例并不对预设条件做限定。例如，预设条件可以是第一区域的面积满足预设面积条件；或者预设条件还可以是第一区域的位置满足预设位置条件；或者还可以是第一区域的位置和面积均满足预设面积条件和预设位置条件。本实施例并不对预设区域做限定。例如，或者预设区域还可以是内接椭圆形区域；或者预设区域还可以是第一区域中的内接矩形区域；或者预设区域还可以是第一区域中的外接矩形区域。
进一步的，为了保证眼底区域检测的准确性，以保证提取得到的眼底区域在充分保证保留有用信息的前提下去除了冗余信息，上述根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域，可以包括以下步骤：
步骤51：若第一区域的位置满足预设位置条件，且第一区域的面积满足预设面积条件，则将超广角眼底图像的第一区域进行分割并提取，得到眼底区域；
步骤52：若第一区域的位置满足预设位置条件，但第一区域的面积不满足预设面积条件，则将超广角眼底图像的第一区域的最小外接矩形区域进行分割并提取，得到眼底区域；
步骤53：否则，则将超广角眼底图像的内接椭圆形区域进行分割并提取，得到眼底区域。
本实施例中，当第一区域的面积满足预设面积条件且第一区域的位置满足预设位置条件，则说明超广角眼底图像的第一区域即为眼底区域；当第一区域的位置满足预设位置条件，但第一区域的面积不满足预设面积条件，则说明该第一区域与最终的眼底区域之间存在一定的偏差，则将超广角眼底图像的第一区域的最小外接矩形区域作为眼底区域；当第一区域的位置不满足预设位置条件，且第一区域的面积不满足预设面积条件的情况下，或者当第一区域的位置不满足预设位置条件，但第一区域的面积满足预设面积条件的情况下，以上两种情况下，均说明该第一区域检测效果较差，则将超广角眼底图像的内接椭圆形区域作为眼底区域。本实施例并不限定面积和位置判断的顺序。例如，可以是同时判断；或者还可以先后判断，当先后判断时，可以先判断位置是否满足条件，再判断面积是否满足条件；或者还可以先判断面积是否满足条件，再判断位置是否满足条件。
本实施例并不对预设位置条件做限定，也并不对预设面积条件做限定。
进一步的，为了保证第一区域位置判断的更为准确，上述第一区域的位置满足预设位置条件，可以包括以下步骤：
步骤61：计算第一区域的中心点与超广角眼底图像的中心点之间的欧式距离，得到距离值；
步骤62：当距离值小于预设距离阈值，则第一区域的位置满足预设位置条件。
若第一区域的中心点位置与超广角眼底图像的中心点位置接近，即计算两点之间的欧式距离，当该距离小于预设距离阈值时，则满足位置要求。
根据欧式距离公式：
通过计算得到眼底区域中心点位置
和原图超广角影像图片中心点位置
，带入到上述欧式距离公式可以得到两点间的欧式距离dist，当dist小于预设距离阈值时，说明该第一区域基本位于超广角眼底图像的中央区域，则认为满足位置要求。本实施例并不对预设距离阈值做限定。用户可以根据实际情况进行设定。
进一步的，为了保证第一区域面积判断更为准确，上述第一区域的面积满足预设面积条件，可以包括以下步骤：
步骤71：计算第一区域的面积，得到面积值；
步骤72：若面积值大于预设面积阈值，则第一区域的面积满足预设面积条件。
本实施例可以调用opencv的contourArea函数（用于计算图像轮廓的面积）计算第一区域的面积，当该面积值大于预设面积阈值时，则说明该第一区域的面积符合条件。本实施例并不对预设面积值做限定。用户可以根据实际情况进行设定。
本实施例并不限定是否存在极简模式。例如，当不存在极简模式时，则按照上述S101、S102、S103、S104步骤提取眼底区域，当存在极简模式时，可以直接分割超广角眼底图像的内接椭圆形区域，将其作为眼底区域。
应用本申请实施例提供的眼底区域检测方法，通过获取超广角眼底图像；利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像；对掩膜图像进行处理得到二值化图像，并将二值化图像中面积最大的封闭区域确定为第一区域；根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。本申请利用无监督聚类技术，不需要进行人工数据标注，有效规避了类似于深度学习等有监督模型开发的资源消耗，且整个过程中自适应提取，无需人工干预，减少了人力物力消耗，节约资源；并且填补了超广角眼底影像中利用无监督方法提取完整眼底区域的空白，对后期的超广角眼底影像的研究提供了借鉴意义。并且，采用自适应阈值处理掩膜图像，提高了二值化图像的准确性；并且，将灰度值中像素值出现次数最多对应的像素值作为二值化阈值，提高了二值化阈值确定的准确性；并且，对二值化图像进行形态学处理，进一步提高二值化图像的质量；并且，对第一区域进行判断，提高眼底区域检测的准确性；并且，分别从面积和位置两个条件对第一区域进行判断，进一步提高眼底区域检测的准确性。
为了使本申请更便于理解，具体请参考图2，图2为本申请实施例提供的一种眼底区域检测方法的流程示例图，具体可以包括：
获取超广角设备拍摄的超广角眼底图像，当接收到用户输入的开启极简模式时，则直接提取该超广角眼底图像的内接椭圆形区域，当未接收到用户输入的开启极简模式时，则将超广角眼底图像输入到训练好的KMEANS模型中，得到掩膜图像，将掩膜图像转化为灰度图后，对灰度图进行二值化处理，二值化处理过程中的二值化阈值是根据自适应阈值法确定的，即将出现次数最多的对应的像素值确定为二值化阈值。对二值化图像进行形态学处理，得到优化二值图，将优化二值图中的最大封闭区域作为第一区域，判断第一区域的面积和位置是否满足预设条件，当第一区域的面积满足预设面积条件且第一区域的位置满足预设位置条件，则提取超广角眼底图像的第一区域作为眼底区域；当第一区域的位置满足预设位置条件，但第一区域的面积不满足预设面积条件，则提取超广角眼底图像的第一区域的最小外接矩形区域作为眼底区域；当第一区域的位置不满足预设位置条件，且第一区域的面积不满足预设面积条件的情况下，或者当第一区域的位置不满足预设位置条件，但第一区域的面积满足预设面积条件的情况下，则提取超广角眼底图像的内接椭圆形区域作为眼底区域。
下面对本申请实施例提供的眼底区域检测装置进行介绍，下文描述的眼底区域检测装置与上文描述的眼底区域检测方法可相互对应参照。
具体请参考图3，图3为本申请实施例提供的一种眼底区域检测装置的结构示意图，可以包括：
获取模块100，用于获取超广角眼底图像；
聚类模块200，用于利用构建好的无监督聚类模型得到所述超广角眼底图像的掩膜图像；
处理模块300，用于对所述掩膜图像进行处理得到二值化图像，并将所述二值化图像中面积最大的封闭区域确定为第一区域；
提取模块400，用于根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域。
基于上述实施例，上述处理模块300中的对所述掩膜图像进行处理得到二值化图像，可以包括：
灰度图转化单元，用于将所述掩膜图像转化为灰度图；
二值化处理单元，用于利用自适应阈值法对所述灰度图进行二值化处理，得到所述二值化图像。
基于上述实施例，上述二值化处理单元，可以包括：
存储子单元，用于将所述灰度图的各个像素值以及所述各个像素值的数量以键值对的形式进行存储；
二值化阈值确定子单元，用于将所述键值对中数量最多的像素值作为二值化阈值；
二值化处理子单元，用于利用所述二值化阈值对所述灰度图进行二值化处理。
基于上述实施例，上述眼底区域检测装置，还可以包括：
形态学处理模块，用于对所述二值化图像进行形态学处理，得到优化二值图；
相应的，所述处理模块300中的将所述二值化图像中面积最大的封闭区域确定为第一区域，包括：
并将所述优化二值图中面积最大的封闭区域确定为所述第一区域。
基于上述实施例，上述提取模块400，可以包括：
第一提取单元，用于若所述第一区域的位置满足预设位置条件，且所述第一区域的面积满足预设面积条件，则将所述超广角眼底图像的所述第一区域进行分割并提取，得到所述眼底区域；
第二提取单元，用于若所述第一区域的位置满足所述预设位置条件，但所述第一区域的面积不满足所述预设面积条件，则将所述超广角眼底图像的所述第一区域的最小外接矩形区域进行分割并提取，得到所述眼底区域；
第三提取单元，用于否则，则将所述超广角眼底图像的内接椭圆形区域进行分割并提取，得到所述眼底区域。
基于上述实施例，上述第一提取单元/第二提取单元中的所述第一区域的位置满足预设位置条件，可以包括：
第一计算子单元，用于计算所述第一区域的中心点与所述超广角眼底图像的中心点之间的欧式距离，得到距离值；
第一判断子单元，用于当所述距离值小于预设距离阈值，则所述第一区域的位置满足所述预设位置条件。
基于上述实施例，上述第一提取单元中的所述第一区域的面积满足预设面积条件，可以包括：
第二计算子单元，用于计算所述第一区域的面积，得到面积值；
第二判断子单元，用于若所述面积值大于预设面积阈值，则所述第一区域的面积满足所述预设面积条件。
应用本申请实施例提供的眼底区域检测装置，通过获取模块100，用于获取超广角眼底图像；聚类模块200，用于利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像；处理模块300，用于对掩膜图像进行处理得到二值化图像，并将二值化图像中面积最大的封闭区域确定为第一区域；提取模块400，用于根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。本申请利用无监督聚类技术，不需要进行人工数据标注，有效规避了类似于深度学习等有监督模型开发的资源消耗，且整个过程中自适应提取，无需人工干预，减少了人力物力消耗，节约资源；并且填补了超广角眼底影像中利用无监督方法提取完整眼底区域的空白，对后期的超广角眼底影像的研究提供了借鉴意义。并且，采用自适应阈值处理掩膜图像，提高了二值化图像的准确性；并且，将灰度值中像素值出现次数最多对应的像素值作为二值化阈值，提高了二值化阈值确定的准确性；并且，对二值化图像进行形态学处理，进一步提高二值化图像的质量；并且，对第一区域进行判断，提高眼底区域检测的准确性；并且，分别从面积和位置两个条件对第一区域进行判断，进一步提高眼底区域检测的准确性。
下面对本申请实施例提供的眼底区域检测设备进行介绍，下文描述的眼底区域检测设备与上文描述的眼底区域检测方法可相互对应参照。
请参考图4，图4为本申请实施例提供的一种眼底区域检测设备的结构示意图，可以包括：
存储器10，用于存储计算机程序；
处理器20，用于执行计算机程序，以实现上述的眼底区域检测方法。
存储器10、处理器20、通信接口31和通信总线32。存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。
在本申请实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器10中可以存储有用于实现以下功能的程序：
获取超广角眼底图像；
利用构建好的无监督聚类模型得到超广角眼底图像的掩膜图像；
对掩膜图像进行处理得到二值化图像，并将二值化图像中面积最大的封闭区域确定为第一区域；
根据第一区域对超广角眼底图像进行分割并提取，得到眼底区域。
在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。
此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。
处理器20可以为中央处理器（Central Processing Unit，CPU）、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。
通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。
当然，需要说明的是，图4所示的结构并不构成对本申请实施例中眼底区域检测设备的限定，在实际应用中眼底区域检测设备可以包括比图4所示的更多或更少的部件，或者组合某些部件。
下面对本申请实施例提供的可读存储介质进行介绍，下文描述的可读存储介质与上文描述的眼底区域检测方法可相互对应参照。
本申请还提供一种可读存储介质，该可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的眼底区域检测方法的步骤。
该可读存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本申请的范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，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”或者其他任何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。
以上对本申请所提供的一种眼底区域检测方法、装置、设备及可读存储介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。
Claims (10)
1.一种眼底区域检测方法，其特征在于，包括：
获取超广角眼底图像；
利用构建好的无监督聚类模型得到所述超广角眼底图像的掩膜图像；
对所述掩膜图像进行处理得到二值化图像，并将所述二值化图像中面积最大的封闭区域确定为第一区域；
根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域。
2.根据权利要求1所述的眼底区域检测方法，其特征在于，所述掩膜图像进行处理得到二值化图像，包括：
将所述掩膜图像转化为灰度图；
利用自适应阈值法对所述灰度图进行二值化处理，得到所述二值化图像。
3.根据权利要求2所述的眼底区域检测方法，其特征在于，所述利用自适应阈值法对所述灰度图进行二值化处理，包括：
将所述灰度图的各个像素值以及所述各个像素值的数量以键值对的形式进行存储；
将所述键值对中数量最多的像素值作为二值化阈值；
利用所述二值化阈值对所述灰度图进行二值化处理。
4.根据权利要求1所述的眼底区域检测方法，其特征在于，在所述对所述掩膜图像进行处理得到二值化图像之后，还包括：
对所述二值化图像进行形态学处理，得到优化二值图；
相应的，所述并将所述二值化图像中面积最大的封闭区域确定为第一区域，包括：
并将所述优化二值图中面积最大的封闭区域确定为所述第一区域。
5.根据权利要求1所述的眼底区域检测方法，其特征在于，所述根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域，包括：
若所述第一区域的位置满足预设位置条件，且所述第一区域的面积满足预设面积条件，则将所述超广角眼底图像的所述第一区域进行分割并提取，得到所述眼底区域；
若所述第一区域的位置满足所述预设位置条件，但所述第一区域的面积不满足所述预设面积条件，则将所述超广角眼底图像的所述第一区域的最小外接矩形区域进行分割并提取，得到所述眼底区域；
否则，则将所述超广角眼底图像的内接椭圆形区域进行分割并提取，得到所述眼底区域。
6.根据权利要求5所述的眼底区域检测方法，其特征在于，所述第一区域的位置满足预设位置条件，包括：
计算所述第一区域的中心点与所述超广角眼底图像的中心点之间的欧式距离，得到距离值；
当所述距离值小于预设距离阈值，则所述第一区域的位置满足所述预设位置条件。
7.根据权利要求5所述的眼底区域检测方法，其特征在于，所述第一区域的面积满足预设面积条件，包括：
计算所述第一区域的面积，得到面积值；
若所述面积值大于预设面积阈值，则所述第一区域的面积满足所述预设面积条件。
8.一种眼底区域检测装置，其特征在于，包括：
获取模块，用于获取超广角眼底图像；
聚类模块，用于利用构建好的无监督聚类模型得到所述超广角眼底图像的掩膜图像；
处理模块，用于对所述掩膜图像进行处理得到二值化图像，并将所述二值化图像中面积最大的封闭区域确定为第一区域；
提取模块，用于根据所述第一区域对所述超广角眼底图像进行分割并提取，得到眼底区域。
9.一种眼底区域检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述的眼底区域检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的眼底区域检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524854.9A CN116309549B (zh) | 2023-05-11 | 2023-05-11 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310524854.9A CN116309549B (zh) | 2023-05-11 | 2023-05-11 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116309549A true CN116309549A (zh) | 2023-06-23 |
| CN116309549B CN116309549B (zh) | 2023-10-03 |
Family
ID=86790863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310524854.9A Active CN116309549B (zh) | 2023-05-11 | 2023-05-11 | 一种眼底区域检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116309549B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002269539A (ja) * | 2000-12-01 | 2002-09-20 | Shigehiro Masui | 画像処理装置、画像処理装置方法、及び画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、並びにこれを用いた診断支援システム |
| US20110091083A1 (en) * | 2008-05-14 | 2011-04-21 | Jiang Liu | Automatic cup-to-disc ratio measurement system |
| CN103150731A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种模糊聚类图像分割方法 |
| CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
| CN104299242A (zh) * | 2014-10-31 | 2015-01-21 | 中南大学 | 基于ngc-acm的荧光造影眼底图像提取方法 |
| CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
| CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
| CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
| CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
| CN108846827A (zh) * | 2018-04-16 | 2018-11-20 | 江南大学 | 一种基于多圆快速分割眼底视盘的方法 |
| CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
| CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
| CN111027546A (zh) * | 2019-12-05 | 2020-04-17 | 北京嘉楠捷思信息技术有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
| CN111583261A (zh) * | 2020-06-19 | 2020-08-25 | 林晨 | 眼底超广角影像分析方法及终端 |
| CN111754481A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备以及存储介质 |
| CN111899247A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技（深圳）有限公司 | 脉络膜血管的管腔区域识别方法、装置、设备及介质 |
| CN111951214A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 图像中可读区域的分割方法、装置、电子设备及存储介质 |
| CN114897831A (zh) * | 2022-05-13 | 2022-08-12 | 三峡大学 | 目标定位与语义分割相结合的超广角眼底图像视盘提取方法 |
| CN114998366A (zh) * | 2022-05-24 | 2022-09-02 | 苏州微清医疗器械有限公司 | 一种眼底糖网图像病灶分割集成的方法及系统 |
| CN115063877A (zh) * | 2022-06-06 | 2022-09-16 | 南通大学 | 一种面向大数据眼底图像的并行超像素Spark聚类方法 |
| CN115272333A (zh) * | 2022-09-29 | 2022-11-01 | 江苏诺阳家居科技有限公司 | 一种杯盘比数据的存储系统 |
| CN115457646A (zh) * | 2022-09-22 | 2022-12-09 | 中国人民解放军空军特色医学中心 | 用于对眼底周边的病灶进行识别的装置、方法和相关产品 |
-
2023
- 2023-05-11 CN CN202310524854.9A patent/CN116309549B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002269539A (ja) * | 2000-12-01 | 2002-09-20 | Shigehiro Masui | 画像処理装置、画像処理装置方法、及び画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、並びにこれを用いた診断支援システム |
| US20110091083A1 (en) * | 2008-05-14 | 2011-04-21 | Jiang Liu | Automatic cup-to-disc ratio measurement system |
| CN103150731A (zh) * | 2013-03-07 | 2013-06-12 | 南京航空航天大学 | 一种模糊聚类图像分割方法 |
| CN104637031A (zh) * | 2013-11-12 | 2015-05-20 | 华为终端有限公司 | 眼部图像处理方法和装置 |
| CN103870838A (zh) * | 2014-03-05 | 2014-06-18 | 南京航空航天大学 | 糖尿病视网膜病变的眼底图像特征提取方法 |
| CN104299242A (zh) * | 2014-10-31 | 2015-01-21 | 中南大学 | 基于ngc-acm的荧光造影眼底图像提取方法 |
| CN106157279A (zh) * | 2015-03-23 | 2016-11-23 | 上海交通大学 | 基于形态学分割的眼底图像病变检测方法 |
| CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
| CN107346545A (zh) * | 2017-05-22 | 2017-11-14 | 沈阳工业大学 | 用于视杯图像分割的改进区域生长方法 |
| CN108846827A (zh) * | 2018-04-16 | 2018-11-20 | 江南大学 | 一种基于多圆快速分割眼底视盘的方法 |
| CN108961280A (zh) * | 2018-06-29 | 2018-12-07 | 电子科技大学 | 一种基于slic超像素分割的眼底视盘精细分割方法 |
| CN110889846A (zh) * | 2019-12-03 | 2020-03-17 | 哈尔滨理工大学 | 一种基于fcm的糖尿病视网膜图像视盘分割方法 |
| CN111027546A (zh) * | 2019-12-05 | 2020-04-17 | 北京嘉楠捷思信息技术有限公司 | 一种字符分割方法、装置以及计算机可读存储介质 |
| CN111583261A (zh) * | 2020-06-19 | 2020-08-25 | 林晨 | 眼底超广角影像分析方法及终端 |
| CN111754481A (zh) * | 2020-06-23 | 2020-10-09 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备以及存储介质 |
| CN111951214A (zh) * | 2020-06-24 | 2020-11-17 | 北京百度网讯科技有限公司 | 图像中可读区域的分割方法、装置、电子设备及存储介质 |
| CN111899247A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技（深圳）有限公司 | 脉络膜血管的管腔区域识别方法、装置、设备及介质 |
| CN114897831A (zh) * | 2022-05-13 | 2022-08-12 | 三峡大学 | 目标定位与语义分割相结合的超广角眼底图像视盘提取方法 |
| CN114998366A (zh) * | 2022-05-24 | 2022-09-02 | 苏州微清医疗器械有限公司 | 一种眼底糖网图像病灶分割集成的方法及系统 |
| CN115063877A (zh) * | 2022-06-06 | 2022-09-16 | 南通大学 | 一种面向大数据眼底图像的并行超像素Spark聚类方法 |
| CN115457646A (zh) * | 2022-09-22 | 2022-12-09 | 中国人民解放军空军特色医学中心 | 用于对眼底周边的病灶进行识别的装置、方法和相关产品 |
| CN115272333A (zh) * | 2022-09-29 | 2022-11-01 | 江苏诺阳家居科技有限公司 | 一种杯盘比数据的存储系统 |
Non-Patent Citations (3)
| Title |
|---|
| XUECHENG LI 等: "MINet: Multi-scale input network for fundus microvascular segmentation", 《COMPUTERS IN BIOLOGY AND MEDICINE》, pages 1 - 8 * |
| 张炜: "眼底病变智能诊断研究", 《中国优秀博士学位论文全文数据库 医药卫生科技辑》, pages 073 - 19 * |
| 徐立璋: "基于深度学习的眼底病变辅助诊断系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 073 - 153 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116309549B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276356B (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| Biswal et al. | Robust retinal blood vessel segmentation using line detectors with multiple masks | |
| CN110021024B (zh) | 一种基于lbp和链码技术的图像分割方法 | |
| CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
| CN109993750B (zh) | 一种手腕骨的分割识别方法及系统、终端及可读存储介质 | |
| CN108154519A (zh) | 眼底图像中血管的分割方法、装置及存储介质 | |
| CN110706246A (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN111145209A (zh) | 一种医学图像分割方法、装置、设备及存储介质 | |
| CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| US20210407097A1 (en) | Method and device of extracting label in medical image | |
| CN109191436A (zh) | 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法 | |
| CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
| Zafari et al. | Resolving overlapping convex objects in silhouette images by concavity analysis and Gaussian process | |
| CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
| CN116309549B (zh) | 一种眼底区域检测方法、装置、设备及可读存储介质 | |
| Sun et al. | Spot segmentation and verification based on improve marker controlled watershed transform | |
| CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| Essaf et al. | An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU) | |
| CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
| CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
| CN111784593A (zh) | 一种面向深度学习的肺结节ct图像数据增强方法及系统 | |
| Binh et al. | Object contour based on improving region growing method and context border condition |
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 |