CN116596871A - 一种眼科图像的质量评价方法 - Google Patents
一种眼科图像的质量评价方法 Download PDFInfo
- Publication number
- CN116596871A CN116596871A CN202310508831.9A CN202310508831A CN116596871A CN 116596871 A CN116596871 A CN 116596871A CN 202310508831 A CN202310508831 A CN 202310508831A CN 116596871 A CN116596871 A CN 116596871A
- Authority
- CN
- China
- Prior art keywords
- ophthalmic
- image
- quality
- quality evaluation
- ophthalmic image
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 201000010099 disease Diseases 0.000 claims description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000001303 quality assessment method Methods 0.000 claims description 7
- 208000010412 Glaucoma Diseases 0.000 claims description 5
- 208000002367 Retinal Perforations Diseases 0.000 claims description 3
- 230000007850 degeneration Effects 0.000 claims description 3
- 208000029233 macular holes Diseases 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 6
- 206010025421 Macule Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000022873 Ocular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眼科图像的质量评价方法,基于至少一个区域眼科图像的质量评价结果得到待质量评价的原始眼科图像的质量评价结果,按照预设规则处理原始眼科图像并获得区域眼科图像,提取所有区域眼科图像的图像特征,输入用于质量评价的机器学习模型,获得所有区域眼科图像的质量评价结果,所有区域眼科图像的质量评价结果经过基于目标引导的质量评价策略的综合计算,得到原始眼科图像的质量评价结果,本发明的方法可以在不同场景、针对不同疾病,并结合不同区域和疾病的关系评价眼科图像的质量,进一步帮助医生提高眼科疾病的诊断效率和准确性。
Description
技术领域
本发明涉及医学影像领域,特别涉及一种眼科图像的质量评价方法。
背景技术
眼科图像广泛应用于眼科诊断,临床中,医生需要对患者进行眼底病的确诊,因此需要评价眼科图像的质量,以确定是否足以对疾病进行诊断。对于拍照技师而言,需要确保图像符合图像质量的一般标准,以便被客户(即眼科医生)接受,对于医生而言,医生需要根据正在观察的待定疾病(如DR、青光眼、AMD等)获取图像质量评价排除影响该类疾病诊断的质量差图片,以便能够在质量足够观察的图片上做出更准确的诊断并为患者提供更有效的治疗。
目前,可以通过机器学习的方法,提取眼科图像的图像特征,从而针对图像的质量进行评价,通常可以提取如下几个图像特征,a.通过图片亮度、对比度、直方图、信噪比等图像特征来评价整张图片质量[1];b.通过提取血管信息,基于血管面积或者长度等眼底结构信息判别图像质量[2,3,4,5];c.基于人类视觉系统(human visual system,HVS)的评价方法[6];d.通过观察眼底图上是否有污渍等,是否影响病灶观察,是否是非眼底彩照来评价质量[7]。目前普遍采用的基于机器学习的图像质量评价方法包括:a.传统方法通过提取图片特征,使用支持向量机(SVM)来做分类[4,5,6];b.深度学习方法使用深度神经网络来学习图片特征,直接做分类[7,8,9,10]等,相比于传统方法人工提取特征做分类,深度学习方法能实现更快的速度和更好的性能。
由于眼科图像上不同区域观察的内容是不同的,对应的质量标准不同,图像评价和区域相关,和观察的疾病相关,需要结合局部和整体的多维度进行质量评价,因此不能使用同一个规则进行质量的判定。现有技术还没有考虑不同区域、针对不同疾病的图片质量情况,只是在标注过程中根据区域信息给出整图质量评价结果,没有明确某个区域不可读,但是其他区域很好的情况,总体来说,现有技术对于整张图片给出评价的过程中,没有对不同区域和疾病进行特殊的分析。此外,目前的方法中,也没有将区域和相关病种进行关联进行判断,医生还需要根据自身经验进一步综合判断,造成诊断效率不高,目前的基于机器学习的特征提取和分类的方法没有考虑上述眼科图像评价的特殊性。
[1]Lee S C,Wang Y M.Automatic retinal image quality assess-
ment and enhancement[J].Proceedings ofSPIE.1999,3661(1):
1581-1590
[2]Hunter A,Lowell J A,Habib M,et al.An automated retinal imagequality grading algorithm[C]//Proceedings of the 33rd Annual InternationalConference of the IEEE Engineering in Medicine and Biology Society.LosAlamitos:IEEE Computer Society Press,2011:5955-5958
[3]Fleming A D,Philip S,Goatman K A,et al.Automated assessmentofdiabetic retinal image quality based on clarity and field definition[J].Investigative Opthalmology&Visual Science,2007,47(3):1120-1125
[4]Fleming A D,Philip S,Goatman K A,et al.Automated clarityassessment of retinal images using regionally based structural andstatistical measures[J].Medical Engineering&Physics,2012,34(7):849-859
[5]Welikala R A,Fraz M M,Foster P J,et al.Automated retinal imagequality assessment on the UK Biobank dataset for epidemiological studies[J].Computers in Biology and Medicine,2016,71:67-76
[6]Wang S Z,Jin K,Lu H T,et al.Human visual system-based fundus imagequality assessment of portable fundus camera photographs[J].IEEE Transactionson Medical Imaging,2016,35(4):1046-1055
[7]Gulshan,V.,Peng,L.,Coram,M.,Stumpe,M.C.,Wu,D.,Narayanaswamy,A.,...&Webster,D.R.(2016).Development and validation of a deep learningalgorithm for detection of diabetic retinopathy in retinal fundusphotographs.Jama,316(22),2402-2410.
[8]Saha S K,Fernando B,Cuadros J,et al.Automated quality assessmentof colour fundus images for diabetic retinoπathy screening in telemedicine[J].Journal of Digital Imaging,2018,31(6):869-878
[9]Zago G T, R V,Dorizzi B,et al.etinal image qualityassessment using deep learning[J].Computers in Biology and Medicine,2018,103:64-70
[10]张芳,赵东旭,肖志涛,徐旭,耿磊,吴骏,...&王雯.(2020).眼底图像质量分类综述.计算机辅助设计与图形学学报.
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种眼科图像的质量评价方法,可以在不同场景、针对不同疾病,并结合图像的不同区域和疾病的关系评价眼科图像的质量,进一步帮助医生提高眼科疾病的诊断效率和准确性。
为实现上述目的及其他相关目的,本发明提供一种眼科图像的质量评价方法,其特征在于,基于至少一个区域眼科图像的质量评价结果得到待质量评价的原始眼科图像的质量评价结果。
在本发明的一可选实施例中,所述待质量评价的原始眼科图像包括眼底彩照、OCT图像、超广角图像。
在本发明的另一可选实施例中,按照预设规则处理待质量评价的原始眼科图像,得到区域眼科图像,所述至少一个区域眼科图像选自以下所有图像组成的集合:
一个或多个在原始眼科图像上重叠或不重叠、重复或不重复的局部区域图像,以及一个或多个完整的眼科图像。
在本发明的另一可选实施例中,提取所有区域眼科图像的图像特征,输入用于质量评价的机器学习模型,得到所有区域眼科图像的质量评价结果。
在本发明的另一可选实施例中,所有的区域眼科图像的质量评价结果经过基于目标引导的质量评价策略的综合计算,得到待质量评价的原始眼科图像的质量评价结果。
在本发明的另一可选实施例中,基于目标引导的质量评价策略具体通过目的引导算法实现,目的引导算法为每个区域眼科图像赋予权重,并根据所有权重进行综合计算,得到待质量评价的原始眼科图像的质量评价结果。
在本发明的另一可选实施例中,原始眼科图像被匹配不同的图片类型,不同的图片类型对应不同的基于目标引导的质量评价策略。
在本发明的另一可选实施例中,所述不同的图片类型为不同的眼科疾病或者不同的场景,不同的眼科疾病包括青光眼、糖网、黄斑裂孔、格子样变性、AMD,不同的场景包括体检、筛查、门诊。
在本发明的另一可选实施例中,基于目标引导的质量评价策略具体通过目的引导算法实现,目的引导算法根据图片类型为每个区域眼科图像赋予权重,并根据所有权重进行综合计算,得到待质量评价的原始眼科图像的质量评价结果,不同的图片类型对应不同的一套区域眼科图像的权重。
在本发明的另一可选实施例中,区域眼科图像的权重根据临床经验直接设置,或者基于临床实际并通过模型训练算法学习获得。
通过本发明的方法,可以实现如下技术效果:
1、本发明的技术方案根据特定标准提供有针对性的图像质量评价方法来满足不同用户(包括拍摄技师和专业眼科医生)的需求;
2、本发明通过区域眼科图像的质量评价结果获得最终的眼科图像的质量评价结果,能够更准确地评价眼科图像的质量,有助于改善各种眼病患者的诊断、治疗和结果,使眼科医生能够做出更准确的诊断并提供更有效的治疗方案。
3、通过提供更准确和精确的眼科图像质量评价,本方案可以帮助提高眼科和医学成像领域的研究能力,这可以在眼病的诊断和治疗方面带来新的见解和发现。
总体而言,该技术方案旨在提高眼科和医学影像领域眼科图像评价的准确性和有效性。通过提供更有针对性和准确的评价,该方案可以帮助改善各种眼病患者的诊断、治疗和结果,还能提高眼科医学成像领域的研究能力。
附图说明
图1a-b为本发明一个实施例的两种眼科图像的示意图;
图2为本发明一个优选实施例的方法流程示意图;
图3为本发明一个实施例的基于不同疾病的区域眼科图像的权重分配表。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
本发明提供一种眼科图像的质量评价方法,其特征在于,基于至少一个区域眼科图像的质量评价结果得到待质量评价的原始眼科图像的质量评价结果。所述待质量评价的原始眼科图像包括眼底彩照、OCT图像、超广角图像等所有用于眼科诊断的图像,如图1a-b所示。
按照预设规则处理待质量评价的原始眼科图像,得到区域眼科图像。优选地,预设规则包括图像预处理和获取区域眼科图像两个步骤。首先,将原始眼科图像进行图像预处理,优选地,使用算法提取眼科图像感兴趣区域的整张ROI图片,并缩放到固定尺寸,优选地使用边缘检测算法提取ROI图片,边缘检测算法采用如Roberts算子、Prewitt算子、Sobel算子、Marr-Hidreth边缘检测以及canny算子等。接着使用图像分区算法从预处理后的整张图片中获取区域眼科图像,例如根据相似颜色、相似纹理或根据解剖结构将图片进行分区,将分区图片作为区域眼科图像,如图2所示。一个优选实施例中,使用训练好的Faster R-CNN定位模型定位缩放好的整张ROI图片的视盘和黄斑位置,根据视盘大小和视盘黄斑距离的倍数确定视盘区、黄斑区、上下血管弓和鼻侧区域感兴趣区域即各区域ROI的尺寸,把各区域ROI从缩放好的整张ROI图片中分割出来,缩放到固定尺寸,例如视盘区域为2倍视盘直径,黄斑区域为3/4.6倍视盘黄斑距离,上下血管弓高和宽为图片边界到视盘ROI边界,鼻侧区域宽为视盘直径,高为4倍视盘直径。此外,根据具体疾病判断的需要,也可以选取不分区的整张完整的眼科图像作为区域眼科图像,如图2所示。
至少一个区域眼科图像选自以下所有图像组成的集合:一个或多个在原始眼科图像上重叠或不重叠、重复或不重复的局部区域图像,以及一个或多个完整的眼科图像。即可以选择一个或多个相同或不相同的分区图片或不分区的整张图片作为区域眼科图像,这些图片可以在原始眼科图像上有重叠的部分,也可以不重叠,也可以重复,例如,使用重复的两张完整眼科图像作为区域眼科图像。如图2所示,本发明的一个优选实施例中使用了多个互不重叠的分区图像和一个完整的整图图像作为区域眼科图像,整图图像和分区图像都经过预处理后进行质量评价。
接着,提取所有区域眼科图像的图像特征,输入用于质量评价的机器学习模型,得到所有区域眼科图像的质量评价结果。图像特征包括图片亮度、对比度、直方图、信噪比等,以及血管信息,例如血管面积或者长度等,还包括其它任何可获取的并需要的图像特征,机器学习模型优选地使用深度学习模型。如图2所示,本发明一个实施例中使用质量评价算法获得所有区域眼科图像的质量评价结果,具体使用质量评价算法分析确定每个区域眼科图像的质量,质量评价算法结合使用深度学习模型和其他技术,评价所有区域眼科图像的质量,上述质量评价算法的训练方法为,根据图片的类型,标注部分用于训练的区域眼科图像的图片质量作为标签,使用多个用于训练的区域眼科图像和标签训练深度学习模型,获得质量评价算法模型,质量评价算法最终输出质量得分。用于质量评价的深度学习模型可以是包括深度神经网络在内的多种算法,一个实施例中,所述深度神经网络使用ConvNeXt_Small,损失函数使用MAE即平均绝对误差函数,初始化学习率设置0.001,学习率调整策略使用one_cycle,使用AdamW作为优化器。
所有的区域眼科图像的质量评价结果经过基于目标引导的质量评价策略的综合计算,得到待质量评价的原始眼科图像的质量评价结果。优选地,基于目标引导的质量评价策略具体通过目的引导算法实现,目的引导算法为每个区域眼科图像赋予权重,并根据所有权重进行综合计算,得到待质量评价的原始眼科图像的质量评价结果。如图2-3所示,本发明的一个实施例中,基于目的引导算法给每个分区图像和整图图像赋予权重,计算加权的质量得分,即为待质量评价的原始眼科图像的质量评价结果。也可以基于权重但是不使用加权的其它计算方法获得原始眼科图像的质量评价结果。
优选地,原始眼科图像被匹配不同的图片类型,不同的图片类型对应不同的基于目标引导的质量评价策略。优选地,所述不同的图片类型为不同的眼科疾病或者不同的场景,不同的眼科疾病包括青光眼、糖网、黄斑裂孔、格子样变性、AMD等,不同的场景包括体检、筛查、门诊等,不同的图片类型对应不同的一套区域眼科图像的权重,例如,对于检测青光眼更重要的区域可以被给予比不太相关的区域更高的权重。本发明的一实施例如图3所示,在获得区域眼科图像后,基于不同的图片类型(在图中标注为不同的疾病),为每个区域眼科图像赋予了不同的权重,最后再基于目的引导算法将所有的区域眼科图像的质量评价结果(本实施例中是质量得分)进行加权计算,获得待评价的原始眼科图像的质量评价结果,将权重应用于每个区域眼科图像的质量评价,并结合具体目的要求对图片质量进行总体评价。本方法的实施也可以不匹配图片类型,直接应用基于目标引导的质量评价策略。
优选地,区域眼科图像的权重根据临床经验直接设置,或者基于临床实际并通过模型训练算法学习获得。优选实施例中,权重可以由临床专家确定权重如w1、w2、w3……,或者根据临床专家标注部分图片,让机器学习模型学习。优选地,基于临床实际通过模型训练算法进行学习具体为,根据图片的类型或无图片类型,让临床专家标注部分用于训练的区域眼科图像的质量作为标签,随机初始化不同的用于训练的区域眼科图像的权重和注意力网络,使用用于训练的区域眼科图像和标签微调模型训练算法的参数,获得权重。
本发明还包括实施本发明所述的质量评价方法的设备,设备包括图像获取模块,图像处理模块,能够实施和训练机器学习算法的区域眼科图像的质量评价模块,以及能够实施和训练机器学习算法并得到原始眼科图像的质量评价结果的计算模块等。本发明的一个实施例中,包括实施如图2所述的方法的所需的所有硬件模块,例如图像处理模块、可以实施和训练质量评价算法的和目的引导算法的机器学习和处理模块、质量结果计算模块等。
尽管本发明在本文已参照其具体实施例进行描述,但是修改自由、各种改变和替换亦在上述公开内,并且应当理解,在某些情况下,在未背离所提出发明的范围和精神的前提下,在没有对应使用其他特征的情况下将采用本发明的一些特征。因此,可以进行许多修改,以使特定环境或材料适应本发明的实质范围和精神。
Claims (10)
1.一种眼科图像的质量评价方法,其特征在于,基于至少一个区域眼科图像的质量评价结果得到待质量评价的原始眼科图像的质量评价结果。
2.根据权利要求1所述的眼科图像的质量评价方法,其特征在于,所述待质量评价的原始眼科图像包括眼底彩照、OCT图像、超广角图像。
3.根据权利要求1所述的眼科图像的质量评价方法,其特征在于,按照预设规则处理待质量评价的原始眼科图像,得到区域眼科图像,所述至少一个区域眼科图像选自以下所有图像组成的集合:
一个或多个在原始眼科图像上重叠或不重叠、重复或不重复的局部区域图像,以及一个或多个完整的眼科图像。
4.根据权利要求1所述的眼科图像的质量评价方法,其特征在于,提取所有区域眼科图像的图像特征,输入用于质量评价的机器学习模型,得到所有区域眼科图像的质量评价结果。
5.根据权利要求1所述的眼科图像的质量评价方法,其特征在于,所有区域眼科图像的质量评价结果经过基于目标引导的质量评价策略的综合计算,得到待质量评价的原始眼科图像的质量评价结果。
6.根据权利要求5所述的眼科图像的质量评价方法,其特征在于,基于目标引导的质量评价策略具体通过目的引导算法实现,目的引导算法为每个区域眼科图像赋予权重,并根据所有权重进行综合计算,得到待质量评价的原始眼科图像的质量评价结果。
7.根据权利要求5所述的眼科图像的质量评价方法,其特征在于,原始眼科图像被匹配不同的图片类型,不同的图片类型对应不同的基于目标引导的质量评价策略。
8.根据权利要求7所述的眼科图像的质量评价方法,其特征在于,所述不同的图片类型为不同的眼科疾病或者不同的场景,不同的眼科疾病包括青光眼、糖网、黄斑裂孔、格子样变性、AMD,不同的场景包括体检、筛查、门诊。
9.根据权利要求7所述的眼科图像的质量评价方法,其特征在于,基于目标引导的质量评价策略具体通过目的引导算法实现,目的引导算法根据图片类型为每个区域眼科图像赋予权重,并根据所有权重进行综合计算,得到待质量评价的原始眼科图像的质量评价结果,不同的图片类型对应不同的一套区域眼科图像的权重。
10.根据权利要求6或9所述的眼科图像的质量评价方法,其特征在于,区域眼科图像的权重根据临床经验直接设置,或者基于临床实际并通过模型训练算法学习获得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508831.9A CN116596871A (zh) | 2023-05-08 | 2023-05-08 | 一种眼科图像的质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310508831.9A CN116596871A (zh) | 2023-05-08 | 2023-05-08 | 一种眼科图像的质量评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596871A true CN116596871A (zh) | 2023-08-15 |
Family
ID=87603807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310508831.9A Pending CN116596871A (zh) | 2023-05-08 | 2023-05-08 | 一种眼科图像的质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596871A (zh) |
-
2023
- 2023-05-08 CN CN202310508831.9A patent/CN116596871A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10413180B1 (en) | System and methods for automatic processing of digital retinal images in conjunction with an imaging device | |
Cao et al. | Hierarchical method for cataract grading based on retinal images using improved Haar wavelet | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的系统 | |
CN111493814B (zh) | 眼底病变的识别系统 | |
Gao et al. | Automatic feature learning to grade nuclear cataracts based on deep learning | |
Wang et al. | Human visual system-based fundus image quality assessment of portable fundus camera photographs | |
Kauppi et al. | The diaretdb1 diabetic retinopathy database and evaluation protocol. | |
Wu et al. | Gamma challenge: glaucoma grading from multi-modality images | |
Seoud et al. | Automatic grading of diabetic retinopathy on a public database | |
CN113768461B (zh) | 一种眼底图像分析方法、系统和电子设备 | |
US8428322B2 (en) | Method and system for determining the position of an optic cup boundary | |
Kumar et al. | Automated detection of eye related diseases using digital image processing | |
Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
Prageeth et al. | Early detection of retinal nerve fiber layer defects using fundus image processing | |
Janani et al. | Early detection of glaucoma using optic disc and optic cup segmentation: A survey | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
Sidhu et al. | Segmentation of retinal blood vessels by a novel hybrid technique-Principal Component Analysis (PCA) and Contrast Limited Adaptive Histogram Equalization (CLAHE) | |
Aruchamy et al. | Automated glaucoma screening in retinal fundus images | |
Sreejini et al. | Severity grading of DME from retina images: A combination of PSO and FCM with bayes classifier | |
Giancardo et al. | Quality assessment of retinal fundus images using elliptical local vessel density | |
Gunasinghe et al. | Comparison of pretrained feature extractors for glaucoma detection | |
CN116596871A (zh) | 一种眼科图像的质量评价方法 | |
Niemeijer | Automatic detection of diabetic retinopathy in digital fundus photographs | |
Kumari et al. | Automated process for retinal image segmentation and classification via deep learning based cnn model | |
Xu | Simultaneous automatic detection of optic disc and fovea |
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 |