ES2921974T3 - Procedimiento de procesamiento de imágenes para la detección del glaucoma y productos de programa informático asociados - Google Patents
Procedimiento de procesamiento de imágenes para la detección del glaucoma y productos de programa informático asociados Download PDFInfo
- Publication number
- ES2921974T3 ES2921974T3 ES17823221T ES17823221T ES2921974T3 ES 2921974 T3 ES2921974 T3 ES 2921974T3 ES 17823221 T ES17823221 T ES 17823221T ES 17823221 T ES17823221 T ES 17823221T ES 2921974 T3 ES2921974 T3 ES 2921974T3
- Authority
- ES
- Spain
- Prior art keywords
- algorithm
- images
- image
- distance
- analysis
- 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.)
- Active
Links
- 208000010412 Glaucoma Diseases 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 title claims description 16
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 210000002159 anterior chamber Anatomy 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012014 optical coherence tomography Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000265 homogenisation Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000005328 spin glass Effects 0.000 claims 1
- 238000009499 grossing Methods 0.000 abstract 1
- 210000000481 breast Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 210000000871 endothelium corneal Anatomy 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000001210 retinal vessel Anatomy 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000008397 ocular pathology Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 201000002862 Angle-Closure Glaucoma Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002597 diffusion-weighted imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000004448 titration Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/35—Determination of transform parameters for the alignment of images, i.e. image registration using statistical methods
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Ophthalmology & Optometry (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
El método comprende almacenar un conjunto de imágenes capturadas de la cámara anterior de varios ojos, y utilizar un procesador para: a) procesar algunas de dichas imágenes almacenadas implementando un proceso de homogeneización que ajusta una resolución espacial horizontal y vertical de cada imagen del ojo; fijado para que sea el mismo, y un proceso de centrado y alineación que calcula las propiedades estadísticas de las imágenes, y usa dichas propiedades estadísticas calculadas para calcular un centroide y una matriz de covarianza de cada imagen; b) realizar medidas de distancia por pares entre imágenes de dichas imágenes procesadas proporcionando una matriz de distancias por pares; c) analizar dicha matriz de distancias por pares ejecutando un algoritmo de reducción de dimensionalidad no lineal que asigna un punto en un espacio n-dimensional asociado a cada imagen analizada; yd) dar salida a los resultados de dicho análisis de forma visual que permita detectar si dichos ojos padecen glaucoma. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Procedimiento de procesamiento de imágenes para la detección del glaucoma y productos de programa informático asociados
Campo técnico
La presente invención va dirigida, en general, al campo de los procedimientos de procesamiento de imágenes para la detección de enfermedades. En particular, la invención versa sobre un procedimiento de procesamiento de imágenes y productos de programa informático para permitir la detección del glaucoma.
Antecedentes de la invención
El glaucoma es una importante enfermedad ocular causa de ceguera que podría ser detectada procesando imágenes del ángulo de la cámara anterior de un ojo.
En este campo se conocen algunas patentes y solicitudes de patente.
La patente US-B2-9579016 describe realizaciones de técnicas de medición y análisis por tomografía de coherencia óptica (TCO) que permiten una medición tridimensional precisa del ángulo de la cámara anterior a partir de puntos importantes pertinentes en el ojo. Tales técnicas dan como resultado una técnica de medición del ángulo más fiable y cuantificable que es de naturaleza tanto no invasiva como sin contacto, mejorando con ello su practicidad clínica, a la vez que mejora la comodidad y la atención del paciente. Por ejemplo, se proporciona un procedimiento para la formación de imágenes de un ojo in vivo, que incluye la realización de múltiples barridos lineales de TCO de un ojo para obtener un patrón tridimensional (3D) de barrido radial, incluyendo los barridos lineales individuales múltiples barridos axiales, y obteniendo una imagen tridimensional de un ángulo de la cámara anterior del ojo a partir del patrón de barrido radial.
La solicitud de patente internacional WO-A1-2016108755 da a conocer un procedimiento y un aparato para alinear una imagen bidimensional de un ojo con un eje predefinido por rotación a un ángulo de rotación. El procedimiento comprende deducir el ángulo de rotación y una imagen sin ruido, lo que minimiza una función de coste que comprende (i) una medida de la complejidad de la imagen sin ruido y (ii) la magnitud de una imagen con ruido obtenida al rotar la primera imagen el ángulo de rotación y restando la imagen sin ruido. Además, se dan a conocer procedimientos y aparatos relacionados para alinear múltiples imágenes con el eje predefinido antes de los alineamientos en direcciones transversal y paralela, así como promediar las imágenes alineadas. En realizaciones adicionales se dan a conocer un procedimiento y un aparato para determinar el cierre angular, usando una base de datos de imágenes oculares de referencia con y sin cierre ocular, comprendiendo el procedimiento la obtención de una imagen bidimensional de un ojo, determinando respectivos coeficientes de ponderación para cada una de las imágenes de referencia que minimicen una función de coste que comprende la diferencia entre la imagen recibida y la suma de las imágenes de referencia ponderadas; la identificación de al menos una de las imágenes de referencia primera y segunda que tengan las menores diferencias con la imagen recibida y la determinación de si el ojo muestra cierre ocular en función de si la imagen recibida es más cercana a las imágenes de referencia ponderadas primera o segunda.
La solicitud de patente US-A1-2016228000 versa sobre una visualización y un diagnóstico asistidos por ordenador mediante análisis volumétrico de datos angiográficos de tomografía de coherencia óptica (TCO). En una realización, tal análisis comprende la obtención de un conjunto de datos de TCO usando un procesador junto con un sistema de formación de imágenes; la evaluación del conjunto de datos, con el procesador, para la información de flujo usando información de amplitud o fase; la generación de una matriz de valores de vóxel, con el procesador, que represente el flujo que se produce en los vasos en el volumen de tejido; la realización de la interpretación volumétrica de estos valores, comprendiendo la interpretación volumétrica derivar con el procesador la posición tridimensional y la información vectorial de los vasos; la presentación de la información de la interpretación volumétrica en un monitor informático; y la evaluación de la vascularidad, la densidad vascular y los parámetros de flujo vascular derivados de las imágenes interpretadas volumétricamente.
La solicitud de patente internacional WO-A1-2015130663 da a conocer sistemas y técnicas para detectar el glaucoma en un sujeto en función de la altura del relieve de los vasos retinianos obtenida a partir de datos de imágenes de tomografía de coherencia óptica (TCO). En un planteamiento ejemplar, puede calcularse una altura del relieve de los vasos retinianos con respecto a un plano retiniano a partir de datos de imágenes de TCO y la presencia o ausencia de una condición de glaucoma puede determinarse en función de la altura del relieve de los vasos retinianos.
La patente US-B2-8687866 da a conocer procedimientos y sistemas para el procesamiento de imágenes del ángulo de la cámara anterior de un ojo. Se procesa una imagen de tomografía de coherencia óptica (TCO) de la cámara anterior de un ojo para determinar automáticamente una ubicación en la imagen correspondiente a la línea de Schwalbe. En primer lugar, el procedimiento encuentra la ubicación del endotelio corneal. A continuación, el procedimiento ajusta un modelo en el endotelio corneal detectado. Acto seguido, el procedimiento determina la ubicación de la línea de Schwalbe en función de la relación entre el endotelio corneal detectado y el modelo ajustado, tal como cuando el endotelio corneal detectado tiene una divergencia máxima con respecto al modelo ajustado. Se usa la línea de Schwalbe para obtener una medida numérica del ángulo de la cámara anterior del ojo. Se puede usar
el procedimiento en un proceso para explorar la presencia de glaucoma en pacientes. En el caso de que se descubran pacientes que padecen glaucoma, puede realizarse un tratamiento.
La patente US-B2-9357911 describe sistemas y procedimientos para mejorar la fiabilidad del diagnóstico de glaucoma y del análisis de su avance. Las mediciones realizadas a partir de un tipo de dispositivo de diagnóstico se ajustan en función de otra medición usando conocimiento a priori de la relación entre las dos mediciones, incluyendo la relación entre estructura y función, el conocimiento del avance de la enfermedad y el conocimiento del rendimiento del instrumental en ubicaciones específicas en el ojo. Se pueden mostrar al médico los valores de medición ajustados o fusionados, en comparación con datos normativos, o pueden ser usados como entrada en un clasificador de aprendizaje automático por máquina para potenciar el análisis de diagnóstico y avance de la enfermedad.
Por último, la solicitud de patente internacional WO-A1-2017087018 está relacionada con el campo del diagnóstico clínico y la monitorización de patologías oculares utilizando tomografía de coherencia óptica de dominio espectral (TCO-DE) y proporciona procedimientos automatizados para segmentar y analizar una imagen de TCO y procedimientos automatizados para diagnosticar una patología ocular en función de los mismos.
Además, el documento científico “Automatic Anterior Chamber Angle Assessment for HD-OCT Images”, de Jing Tian y otros, también da a conocer un algoritmo que detecta automáticamente un nuevo hito, la línea de Schwalbe, y mide el ángulo de la cámara anterior en imágenes de TCO de alta definición para la detección del glaucoma. La distorsión causada por la refracción se corrige eliminando el alabeo de las imágenes de TCO-AD, y se definen tres mediciones biométricas para evaluar cuantitativamente el ángulo de la cámara anterior.
El documento científico “Comparative analysis of nonlinear dimensionality reduction techniques for breast MRI segmentation”, de Alireza Akhbardeh y otros, da a conocer un estudio que describe la aplicación de un nuevo esquema híbrido, basado en la combinación de procedimientos de transformadas de trenes de ondas y reducción de dimensionalidad no lineal (NLDR, por sus siglas en inglés), a datos de formación de imágenes por resonancia magnética (IRM) de mama usando tres técnicas de NLDR bien establecidas; concretamente, ISOMAP, integración local lineal (LLE, por sus siglas en inglés) y mapas de difusión (DfM, por sus siglas en inglés), para llevar a cabo un análisis de rendimiento comparativo. Se exploró a veinticinco pacientes con lesiones de mama usando un escáner 3T. Las secuencias de IRM usadas fueron la ponderada en T1, la ponderada en T2, la formación de imágenes ponderada por difusión (DWI, por sus siglas en inglés) y la formación de imágenes potenciada por contraste dinámico (DCE, por sus siglas en inglés). El esquema híbrido consistió en dos etapas: preprocesamiento y posprocesamiento de los datos. Se aplicó la etapa de preprocesamiento para la falta de homogeneidad B(1), el alineamiento de imágenes y la compresión de imágenes basada en trenes de ondas para igualar y eliminar el ruido de los datos. En la etapa de posprocesamiento, los parámetros de IRM se consideraron dimensiones de los datos y se aplicó el planteamiento híbrido basado en NLDR para integrar los parámetros de IRM en una sola imagen, denominada imagen integrada. Esto se logró correlacionando las intensidades de todos los píxeles del espacio de mayor dimensión a uno dimensional menor (integrado). El planteamiento híbrido basado en NLDR pudo definir y segmentar datos tanto sintéticos como clínicos. En los datos sintéticos, los autores demostraron el rendimiento del procedimiento de NLDR en comparación con los procedimientos convencionales de RD lineales. El planteamiento de NLDR permitió la segmentación con éxito de las estructuras, mientras que, en la mayoría de los casos, PCA y MDS fallaron. El planteamiento de NLDR pudo segmentar con gran precisión diferentes tipos de tejido mamario y la imagen integrada de los datos de IRM de la mama mostraron límites borrosos entre los diferentes tipos de tejido mamario; adiposo, glandular y tejido con lesiones (>86%). Los procedimientos de NLDR híbrida propuestos pudieron segmentar datos clínicos de mama con gran precisión y construir una imagen integrada que visualizaba la aportación de diferentes parámetros radiológicos.
El documento científico “Dimensionality Reduction of Multispectral Images Representing Anatomical Structures of an Eye”, de Adam Switonski y otros, da a conocer un sistema para la adquisición y la inspección multiespectrales de estructuras anatómicas de un ojo. Se dedica a los diagnósticos de estructuras oculares retinianas y externas. Los componentes básicos del sistema son una lámpara de hendidura, un filtro sintonizable de cristal líquido, una cámara monocromática de alta sensibilidad y un soporte lógico de control especializado. Se proponen procedimientos de procesamiento de imágenes multiespectrales con fines de visualización y procesamiento ulterior. Se usan técnicas de reducción de dimensionalidad para reducir el espacio espectral a espacios tridimensionales mediante transformaciones lineales y no lineales. En función de los espacios tridimensionales se construyen imágenes en color. Para reducir el impacto de la iluminación no uniforme de los espectros captados, se proponen dos procedimientos de normalización de espectros. Se presentan ejemplos de imágenes multiespectrales recogidas que contienen estructuras oculares y los resultados de su procesamiento.
Ninguno de los documentos de la técnica anterior permite ordenar automáticamente las imágenes captadas de la cámara anterior minimizando la cantidad de información necesaria. Por lo tanto, se precisan nuevos procedimientos de procesamiento de imágenes para la detección del glaucoma.
Descripción de la invención
Una realización de la presente invención proporciona, según un aspecto, un procedimiento de procesamiento de imágenes para permitir la detección del glaucoma, comprendiendo el procedimiento almacenar en una base de datos
(o en una memoria) un conjunto de imágenes captadas de la cámara anterior de ojos diversos de diversos pacientes; y usar un procesador para llevar a cabo las etapas siguientes:
a) procesar dichas imágenes almacenadas implementando un proceso de homogeneización que al menos ajuste las resoluciones espaciales horizontal y vertical de cada imagen del conjunto para que sean iguales, y un proceso de centrado y alineamiento que calcule las propiedades estadísticas de las imágenes y use dichas propiedades estadísticas calculadas para calcular un centroide y una matriz de covarianza de cada imagen;
b) efectuar mediciones de distancias entre pares entre dichas imágenes procesadas proporcionando una matriz de distancias entre pares;
c) analizar dicha matriz de distancias entre pares ejecutando un primer algoritmo de reducción de dimensionalidad no lineal —tal como el algoritmo IsoMap o un algoritmo t-SNE, entre otros— que asigna un punto en un espacio ndimensional asociado con cada imagen analizada; y
d) presentar los resultados de dicho análisis de una manera visual que permita que sea utilizable para detectar si los ojos padecen glaucoma.
Según una realización preferida, el conjunto de imágenes de la cámara anterior son imágenes de tomografía de coherencia óptica (TCO).
En una realización, el proceso de homogeneización anteriormente mencionado convierte, además, la intensidad de cada píxel de cada imagen en una representación numérica de coma flotante de doble precisión. Además, dicha etapa a) puede implementar, además, un proceso de filtrado (tras el proceso de homogeneización) que aplica a cada imagen un filtro de mediana rectangular bidimensional o un filtro de difusión anisotrópica, o ambos. En lugar de los procesos anteriores de filtrado, también podrían usarse otros; por ejemplo, un filtro bilateral, un filtro guiado, una eliminación de ruido de variación total, un filtro convolucional (gaussiano), un filtrado de medias no locales, o combinaciones de los mismos.
En una realización, dicha etapa c), además de ejecutar el primer algoritmo de reducción de dimensionalidad no lineal, también ejecuta un algoritmo de detección de comunidades en una matriz de adyacencia derivada de la matriz de distancias entre pares para identificar agrupaciones o grupos de imágenes similares. Preferiblemente, el algoritmo de detección de comunidades comprende un algoritmo InfoMap. Sin embargo, también podría usarse cualquiera de los algoritmos siguientes: el algoritmo DBSCAN, el algoritmo de vectores inherentes principales, el algoritmo voraz rápido de maximización de la modularidad, el algoritmo Walktrap, el algoritmo de propagación de etiquetas, el algoritmo de vidrio de espín o el algoritmo de intermediación entre bordes.
La presentación de los resultados puede efectuarse de diferentes maneras. En una primera realización, y considerando que en dicha etapa c) n=2 (es decir, un espacio bidimensional), los resultados del análisis se muestran en un plano con puntos que representan las imágenes, correspondiendo la posición de cada imagen a dicho punto en el espacio bidimensional, y representando un color la agrupación o el grupo al que pertenece. En una segunda realización, y también considerando que en dicha etapa c) n=2, los resultados del análisis se muestran en una cuadrícula, mostrándose una imagen por punto de cuadrícula según su posición en el espacio bidimensional.
Además, en una tercera realización, cuando se considera que n=2 en la etapa c), el procedimiento muestra los resultados del análisis en un plano con puntos que representan las imágenes, correspondiendo una posición de cada imagen a dicho punto en el espacio bidimensional, y representando un color un tratamiento realizado en el ojo correspondiente a cada imagen, permitiendo mostrar un punto de un ojo aún no tratado para decidir un tratamiento futuro.
En una realización, la primera reducción de dimensionalidad no lineal se lleva a cabo siendo n 30 o más, comprendiendo el procedimiento, además, en este caso, la ejecución de un segundo algoritmo de reducción de dimensionalidad no lineal, tal como el algoritmo IsoMap, el algoritmo t-SNE, el algoritmo Landmark-IsoMap, el algoritmo Kernel-IsoMap, el algoritmo de mapa de difusión, el algoritmo de escalamiento multidimensional, el algoritmo de correlación de Sammon, autocodificadores (profundos), análisis de componentes principales, análisis factorial, integración localmente lineal o integración semidefinida (SDE, por sus siglas en inglés), también denominada despliegue de varianza máxima (MVU, por sus siglas en inglés).
Otras realizaciones de la invención que están divulgadas en el presente documento incluyen programas de soporte lógico para realizar las etapas y operaciones de las realizaciones del procedimiento resumidas anteriormente y divulgadas con detalle a continuación. Más en particular, un producto de programa informático es una realización que tiene un soporte legible por ordenador que incluye instrucciones de programa informático codificadas en el mismo que, cuando son ejecutadas en al menos un procesador de un sistema informático, hacen que el procesador realice las operaciones indicadas en el presente documento como realizaciones de la invención.
Por lo tanto, la presente invención proporciona un procedimiento para la detección del glaucoma y la clasificación de tipos de ángulo que mejora las técnicas conocidas en la especialidad en el sentido de que las imágenes se organizan
automáticamente y hace más fáciles el diagnóstico y la comparación objetiva entre varios casos diferentes. Puede ayudar tanto al médico como al paciente a decidir qué procedimiento seguir (especialmente si se comprobó el mapa de los resultados sobre qué se hizo con los pacientes anteriores y ve dónde está en el mapa el nuevo paciente).
La presente invención también minimiza la cantidad de información que se debe poner “a mano”. Todo el proceso funciona automáticamente, sin intervención alguna del usuario. El usuario únicamente debería interpretar los resultados.
Además, la presentación del resultado —es decir, un mapa en el que cada punto representa una imagen— también facilita la detección del glaucoma. Este mapa puede usarse a nivel investigativo para clasificar de manera objetiva. Al nivel clínico y educativo del paciente, puede ser usado para entender la situación del paciente considerando un grupo de pacientes. En el tratamiento clínico, la invención puede usarse para generar protocolos y tratar casos similares de formas similares. Podría incluirse incluso en un dispositivo de TCO para dar avisos si el paciente está en riesgo por alguna razón (que el técnico o el médico pueda no haber notado si el paciente se hizo una TCO por otras razones).
Breve descripción de los dibujos
Las ventajas y las características anteriores y otras se entenderán más plenamente por la siguiente descripción detallada de realizaciones, con referencia a las figuras adjuntas, que deben ser consideradas de manera ilustrativa y no limitante, en las cuales:
La Figura 1 ilustra un diagrama de flujo de un procedimiento de procesamiento de imágenes para la detección del glaucoma según una realización de la presente invención.
Las Figuras 2 y 3 representan dos ejemplos de cómo pueden presentarse los resultados: visualización en mapa completo y visualización en mapa de imágenes, respectivamente.
Descripción detallada de realizaciones preferidas
La presente invención proporciona un procedimiento para la ordenación (y, opcionalmente, también la clasificación) no supervisada de imágenes de TCO. La entrada al procedimiento es una base de datos con imágenes de TCO de la cámara anterior de diversos pacientes, y la salida es un mapa en un plano bidimensional (y, opcionalmente, una clasificación de tales imágenes en varios grupos que comparten características principales comunes). El procedimiento consiste principalmente en cuatro etapas principales: preprocesamiento de imágenes; realización de una medida de distancias entre pares; reducción de dimensionalidad no lineal; y visualización de resultados.
La Figura 1 muestra una realización del procedimiento propuesto. Según esta realización, una vez se almacena en una base de datos un conjunto de imágenes captadas de la cámara anterior de los ojos de diversos pacientes, etapa 101, las imágenes almacenadas son procesadas, en la etapa 102, por al menos un procesador de un sistema informático (no mostrado en las figuras) ejecutando un proceso de homogeneización que ajusta las resoluciones espaciales horizontal y vertical de cada imagen del conjunto para que sean iguales, y ejecutando un proceso de centrado y alineamiento que calcula las propiedades estadísticas de las imágenes y usa dichas propiedades estadísticas calculadas para calcular un centroide y una matriz de covarianza de cada imagen. A continuación, en la etapa 103, se realizan mediciones de distancias entre pares entre dichas imágenes procesadas, proporcionando una matriz de distancias entre pares, y luego, en la etapa 104, se analiza dicha matriz de distancias entre pares ejecutando un (primer) algoritmo de reducción de dimensionalidad no lineal (por ejemplo, el algoritmo IsoMap o el algoritmo t-SNE, entre otros tales como mapas de difusión, correlación de Sammon, etc.) que asigna un punto en un espacio ndimensional asociado con cada imagen analizada. Normalmente se usa un especio bidimensional por razones de visualización, pero todo el algoritmo puede funcionar con un número cualquiera de dimensiones. Por último, en la etapa 105, se presentan los resultados de dicho análisis de una forma visual que permite que sea utilizable, por ejemplo por un médico, para detectar si dichos ojos padecen de glaucoma de cierre angular.
La presentación de los resultados puede hacerse en una pantalla de dicho sistema informático o, alternativamente, en otro sistema informático conectado operativamente al sistema informático.
En una realización, el proceso de homogeneización llevado a cabo en dicha etapa 102 puede además convertir la intensidad de cada píxel de cada imagen en una representación numérica de coma flotante de doble precisión.
Además, el procesamiento de las imágenes puede incluir adicionalmente la ejecución de un proceso de filtrado. Esto se realiza después del proceso de homogeneización. Según una realización del procedimiento propuesto, el proceso de filtrado aplica en primer lugar un filtro de mediana rectangular bidimensional a la imagen (por ejemplo, con un rectángulo de 0,055 por 0,117mm). En segundo lugar, se aplica un filtro de difusión anisotrópica; tal filtro se ajusta para suavizar la imagen conservando los bordes relevantes. Sin embargo, debería hacerse notar que alternativamente podrían usarse técnicas de filtrado similares.
Preferiblemente, el conjunto de propiedades estadísticas para el proceso de centrado y alineamiento —concretamente, S, X, Y, XX, YY, XY— se calcula como: S = h j M(i,j), X = U M i.j) , Y = U i ¡M(i,j), XX = U iM (i,j), YY = U i ¡2M(i,j) y XY = ’Li j ijM(iJ), siendo M(i,j) el valor (gris) de la imagen en el píxel que está i píxeles por debajo del borde superior y j píxeles
a la derecha del borde izquierdo. Con estas propiedades, se calculan el centroide de la imagen, cuyas coordenadas
Además, V1 se define para que sea el vector inherente de la matriz de covarianza correspondiente al valor inherente máximo. Con esos parámetros se crea una nueva imagen (Mc) que tiene dos veces el tamaño de M, copiándose M de tal modo que el centroide de M coincida con el centro de Mc y V1 esté alineado con la dirección horizontal.
Después de esta etapa puede efectuarse una reducción de la resolución para potenciar el rendimiento del procedimiento.
La matriz de distancias entre pares obtenida en dicha etapa 103, que puede representarse como (D(l,m)), cuyas entradas son las distancias entre pares entre las imágenes l y m (variando l y m entre 1 y el número de imágenes en el conjunto), puede obtenerse usando la distancia de Hellinger, aunque pueden obtenerse resultados similares usando otras definiciones de distancia, tales como la distancia de Mahalanobis, la divergencia Jensen-Shannon, la familia Lp
de Minkowski (D(l,m) = di p (Md,Mcm) = p ^ i j \M cl — M cm \P , eligiéndose p entre 0 e infinitud, etc. Así, puede usarse para ese fin la ecuación siguiente:
En cuanto a la etapa de análisis (etapa 104), según una realización, esta etapa puede incluir, además, la ejecución de un algoritmo de detección de comunidades, tal como el InfoMap, para identificar agrupaciones o grupos de imágenes similares. Para hacerlo, se define una matriz de adyacencia usando la matriz de distancias entre pares. Esto podría realizarse simplemente usando un umbral o, de forma más sofisticada, usando una función monótona decreciente entrada por entrada en la matriz de distancias para producir la matriz de adyacencia. Como consecuencia del algoritmo, la base de datos se divide en un conjunto de grupos de modo que las imágenes dentro del mismo grupo sean similares, es decir, compartan características comunes.
En una realización, puede ejecutarse un segundo algoritmo de reducción de dimensionalidad no lineal si en dicha etapa 104 se ejecuta el primer algoritmo de reducción de dimensionalidad no lineal con un valor grande de n (unos 30 o más).
Con referencia ahora a la Figura 2, en ella se ilustra una realización de cómo pueden presentarse los resultados. En esta visualización, se muestra un plano con puntos que representan las imágenes, correspondiendo la posición de cada imagen a sus coordenadas cartografiadas, y representando un color el grupo al que pertenece. También permite que un experto inspeccione las imágenes correspondientes a cada grupo (o algunas de ellas) para etiquetar los grupos de una manera significativa.
La Figura 3 ilustra otra realización de cómo se pueden presentar los resultados. En esta visualización, se construye una cuadrícula regular en el espacio de coordenadas cartografiadas y se muestra una imagen por punto de cuadrícula según su posición en las coordenadas cartografiadas. El resultado es una gran imagen que consta de muchas imágenes pequeñas de TCO.
Aunque las anteriores realizaciones se han descrito considerando que las imágenes son imágenes de TCO, la presente invención puede funcionar por igual con otros tipos de imágenes de la cámara anterior; por ejemplo, imágenes obtenidas mediante técnicas de ultrasonido, o una cámara de Scheimpflug para oftalmología.
La invención propuesta puede implementarse en soporte físico, soporte lógico, soporte lógico inalterable o cualquier combinación de los mismos. Si se implementa en soporte lógico, las funciones pueden ser almacenadas o codificadas como una o más instrucciones o código en un soporte legible por ordenador.
Los soportes legibles por ordenador incluyen soportes de almacenamiento informático. Los soportes de almacenamiento pueden ser cualquier soporte disponible al que pueda acceder un ordenador. A título de ejemplo, y no de limitación, tales soportes legibles por ordenador pueden comprender RAM, ROM, EEPROM, CD-ROM u otro almacenamiento en disco óptico, almacenamiento en disco magnético u otros dispositivos de almacenamiento magnético, o cualquier otro soporte que pueda ser usado para contener o almacenar el código de programa deseado en forma de instrucciones o estructuras de datos y al que pueda acceder un ordenador. Tal como se usa en el presente documento, 'disco' incluye disco compacto (CD), disco láser, disco óptico, disco versátil digital (DVD), disquete y disco Blu-ray, refiriéndose habitualmente 'disk' en la versión original inglesa a la reproducción magnética de datos, mientras
que 'disc' se refiere a la reproducción óptica con láseres. También deberían incluirse combinaciones de los anteriores en el ámbito de los soportes legibles por ordenador. Cualquier procesador y el soporte de almacenamiento pueden residir en un ASIC. El ASIC puede residir en un dispositivo de usuario. De forma alternativa, el procesador y el soporte de almacenamiento pueden residir como componentes diferenciados en un dispositivo de usuario.
Tal como se usa en el presente documento, 'productos de programa informático que comprenden soportes legibles por ordenador' incluye todas las formas de soporte legible por ordenador, salvo las señales de propagación transitorias, en la medida en que se considere que tales soportes sean no tipificados.
El alcance de la presente invención está definido en el siguiente pliego de reivindicaciones.
Claims (14)
1. Un procedimiento de procesamiento de imágenes para permitir la detección del glaucoma, comprendiendo el procedimiento:
almacenar (101) en una base de datos un conjunto de imágenes captadas de la cámara anterior de ojos diversos de diversos pacientes; y
usar un procesador que lleve a cabo las etapas siguientes:
a) procesar (102) dichas imágenes almacenadas implementando:
un proceso de homogeneización que ajuste las resoluciones espaciales horizontal y vertical de cada imagen del conjunto para que sean iguales, y
un proceso de centrado y alineamiento que calcule las propiedades estadísticas de las imágenes y use dichas propiedades estadísticas calculadas para calcular un centroide y una matriz de covarianza de cada imagen;
b) efectuar (103) mediciones de distancias entre pares entre dichas imágenes procesadas proporcionando una matriz de distancias entre pares;
c) analizar (104) dicha matriz de distancias entre pares ejecutando un primer algoritmo de reducción de dimensionalidad no lineal que asigna un punto en un espacio n-dimensional asociado con cada imagen analizada; y
d) presentar (105) los resultados de dicho análisis de una manera visual que permita que sea utilizable para detectar si dichos ojos padecen glaucoma.
2. El procedimiento de la reivindicación 1 en donde en dicha etapa a) (102) se procesan todas las imágenes almacenadas.
3. El procedimiento de las reivindicaciones anteriores en donde dicho conjunto de imágenes de la cámara anterior son imágenes de tomografía de coherencia óptica, TCO.
4. El procedimiento de las reivindicaciones anteriores en donde dicho proceso de homogeneización convierte, además, la intensidad de cada píxel de cada imagen en una representación numérica de coma flotante de doble precisión.
5. El procedimiento de las reivindicaciones anteriores en donde dicha etapa a) (102) comprende, además, implementar un proceso de filtrado que comprende una de las siguientes técnicas de filtrado tras el proceso de homogeneización: filtro de mediana rectangular, filtro de difusión anisotrópica, filtro bilateral, filtro guiado, eliminación de ruido de variación total, filtro gaussiano convolucional y/o filtrado de medias no locales.
6. El procedimiento de la reivindicación 1 en donde el primer algoritmo de reducción de dimensionalidad no lineal comprende un algoritmo IsoMap, un algoritmo t-SNE, un algoritmo Landmark-IsoMap, un algoritmo Kernel-IsoMap, un algoritmo de mapa de difusión, un algoritmo de escalamiento multidimensional o un algoritmo de correlación de Sammon.
7. El procedimiento de la reivindicación 1 en donde dicha etapa c) (104) comprende, además, ejecutar un algoritmo de detección de comunidades en una matriz de adyacencia derivada de la matriz de distancias entre pares para identificar agrupaciones o grupos de imágenes similares.
8. El procedimiento de la reivindicación 7 en donde el algoritmo de detección de comunidades comprende un algoritmo InfoMap, un algoritmo DBSCAN, un algoritmo de vectores inherentes principales, un algoritmo voraz rápido de maximización de la modularidad, un algoritmo Walktrap, un algoritmo de propagación de etiquetas, un algoritmo de vidrio de espín o un algoritmo de intermediación entre bordes.
9. El procedimiento de la reivindicación 7 en donde en dicha etapa c) (104) n=2 y dicha etapa d) (105) comprende la presentación de los resultados del análisis en un plano con puntos que representan las imágenes, correspondiendo una posición de cada imagen a dicho punto en el espacio bidimensional, y representando un color la agrupación o el grupo al que pertenece.
10. El procedimiento de la reivindicación 1 o 7 en donde en dicha etapa c) (104) n=2 y dicha etapa d) (105) comprende la presentación de los resultados del análisis en una cuadrícula, mostrándose una imagen por punto de cuadrícula según su posición en el espacio bidimensional.
11. El procedimiento de las reivindicaciones anteriores en donde en dicha etapa b) (103) la medición de distancias entre pares comprende una distancia de Hellinger, una distancia euclídea, una distancia de la familia Lp de Minkowski con cualquier p entre 0 e infinitud, una divergencia Jensen-Shannon, una distancia de Mahalanobis, una distancia cordal, una distancia de Sayood o una distancia de excavadora, también denominada métrica de Wasserstein.
12. El procedimiento de la reivindicación 1 o 6 en donde en dicha etapa c) (104) la primera reducción de dimensionalidad no lineal se lleva a cabo siendo n al menos 30, comprendiendo el procedimiento, además, la ejecución de un segundo algoritmo de reducción de dimensionalidad no lineal, comprendiendo dicho segundo algoritmo de dimensionalidad no lineal un algoritmo IsoMap, un algoritmo t-SNE, un algoritmo Landmark-IsoMap, un algoritmo Kernel-IsoMap, un algoritmo de mapa de difusión, un algoritmo de escalamiento multidimensional, un algoritmo de correlación de Sammon, autocodificadores profundos, análisis de componentes principales, análisis factorial, integración localmente lineal o integración semidefinida, o SDE, también denominada despliegue de varianza máxima, MVU.
13. El procedimiento de la reivindicación 7 en donde en dicha etapa c) (104) n=2 y dicha etapa d) (105) comprende la presentación de los resultados del análisis en un plano con puntos que representan las imágenes, correspondiendo una posición de cada imagen a dicho punto en el espacio bidimensional, y representando un color un tratamiento realizado en el ojo correspondiente a cada imagen, permitiendo mostrar un punto de un ojo aún no tratado para decidir un tratamiento futuro.
14. Un producto de programa informático que comprende instrucciones de código que, cuando son ejecutadas en al menos un procesador de un sistema informático, implementan un procedimiento según cualquiera de las reivindicaciones 1 a 13.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2017/057792 WO2019116074A1 (en) | 2017-12-11 | 2017-12-11 | Image processing method for glaucoma detection and computer program products thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2921974T3 true ES2921974T3 (es) | 2022-09-05 |
Family
ID=60915579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES17823221T Active ES2921974T3 (es) | 2017-12-11 | 2017-12-11 | Procedimiento de procesamiento de imágenes para la detección del glaucoma y productos de programa informático asociados |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11357400B2 (es) |
| EP (1) | EP3724848B1 (es) |
| ES (1) | ES2921974T3 (es) |
| WO (1) | WO2019116074A1 (es) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11357400B2 (en) * | 2017-12-11 | 2022-06-14 | Universitat Politecnica De Catalunya | Image processing method for glaucoma detection and computer program products thereof |
| WO2019162954A1 (en) * | 2018-02-26 | 2019-08-29 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and determining unit for identifying optimal location(s) |
| US11676719B2 (en) * | 2018-12-20 | 2023-06-13 | Oregon Health & Science University | Subtyping heterogeneous disorders using functional random forest models |
| AU2020226648B2 (en) * | 2019-02-21 | 2023-03-02 | Case Western Reserve University | Processing three-dimensional (3D) ultrasound images |
| WO2023087183A1 (zh) * | 2021-11-17 | 2023-05-25 | 首都医科大学附属北京同仁医院 | 一种原发性闭角型青光眼的房角关闭机制分型方法 |
| CN114038051B (zh) * | 2021-11-17 | 2023-09-08 | 首都医科大学附属北京同仁医院 | 一种原发性闭角型青光眼的房角关闭机制分型方法 |
| CN116126931B (zh) * | 2022-12-08 | 2024-02-13 | 湖北华中电力科技开发有限责任公司 | 一种配电台区用电数据挖掘方法、装置、系统及存储介质 |
| CN117036878B (zh) * | 2023-07-19 | 2024-03-26 | 北京透彻未来科技有限公司 | 一种人工智能预测图像与数字病理图像融合的方法及系统 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7474775B2 (en) * | 2005-03-31 | 2009-01-06 | University Of Iowa Research Foundation | Automatic detection of red lesions in digital color fundus photographs |
| US7992999B2 (en) * | 2008-04-23 | 2011-08-09 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Automated assessment of optic nerve head with spectral domain optical coherence tomography |
| US9700210B2 (en) * | 2009-03-02 | 2017-07-11 | Canon Kabushiki Kaisha | Image processing apparatus and method for controlling the same |
| US8687866B2 (en) | 2011-03-04 | 2014-04-01 | Nanyang Technological University | Methods and systems for processing images of the anterior chamber angle of an eye |
| US9357911B2 (en) | 2011-05-09 | 2016-06-07 | Carl Zeiss Meditec, Inc. | Integration and fusion of data from diagnostic measurements for glaucoma detection and progression analysis |
| US9579016B2 (en) | 2012-06-15 | 2017-02-28 | Oregon Health & Science University | Non-invasive 3D imaging and measuring of anterior chamber angle of the eye |
| US9720998B2 (en) * | 2012-11-19 | 2017-08-01 | The Penn State Research Foundation | Massive clustering of discrete distributions |
| EP4362016A2 (en) * | 2013-02-19 | 2024-05-01 | The Regents of the University of California | Methods of decoding speech from the brain and systems for practicing the same |
| US9646226B2 (en) * | 2013-04-16 | 2017-05-09 | The Penn State Research Foundation | Instance-weighted mixture modeling to enhance training collections for image annotation |
| WO2015130663A1 (en) | 2014-02-25 | 2015-09-03 | Oregon Health & Science University | Optical coherence tomography glaucoma detection based on retinal vessel relief height |
| WO2016108755A1 (en) | 2014-12-30 | 2016-07-07 | Agency For Science, Technology And Research | Method and apparatus for aligning a two-dimensional image with a predefined axis |
| US9713424B2 (en) | 2015-02-06 | 2017-07-25 | Richard F. Spaide | Volume analysis and display of information in optical coherence tomography angiography |
| EP3376939B1 (en) | 2015-11-18 | 2022-05-11 | University Of Louisville Research Foundation, Inc. | Automated methods for the objective quantification of retinal characteristics by retinal region and diagnosis of retinal pathology |
| US11357400B2 (en) * | 2017-12-11 | 2022-06-14 | Universitat Politecnica De Catalunya | Image processing method for glaucoma detection and computer program products thereof |
-
2017
- 2017-12-11 US US16/772,097 patent/US11357400B2/en active Active
- 2017-12-11 ES ES17823221T patent/ES2921974T3/es active Active
- 2017-12-11 EP EP17823221.1A patent/EP3724848B1/en active Active
- 2017-12-11 WO PCT/IB2017/057792 patent/WO2019116074A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| US20200305706A1 (en) | 2020-10-01 |
| EP3724848A1 (en) | 2020-10-21 |
| US11357400B2 (en) | 2022-06-14 |
| EP3724848B1 (en) | 2022-05-04 |
| WO2019116074A1 (en) | 2019-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2921974T3 (es) | Procedimiento de procesamiento de imágenes para la detección del glaucoma y productos de programa informático asociados | |
| US20230255478A1 (en) | Automated determination of arteriovenous ratio in images of blood vessels | |
| Sheng et al. | Retinal vessel segmentation using minimum spanning superpixel tree detector | |
| Mary et al. | Retinal fundus image analysis for diagnosis of glaucoma: a comprehensive survey | |
| Zhao et al. | Retinal vessel segmentation: An efficient graph cut approach with retinex and local phase | |
| Kafieh et al. | A review of algorithms for segmentation of optical coherence tomography from retina | |
| Zhang et al. | 3D shape modeling and analysis of retinal microvasculature in OCT-angiography images | |
| Zhao et al. | Saliency driven vasculature segmentation with infinite perimeter active contour model | |
| Khalil et al. | Detection of glaucoma using cup to disc ratio from spectral domain optical coherence tomography images | |
| US11854199B2 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
| US9940722B2 (en) | Segmentation and identification of closed-contour features in images using graph theory and quasi-polar transform | |
| Mittal et al. | Computerized retinal image analysis-a survey | |
| ter Haar Romeny et al. | Brain-inspired algorithms for retinal image analysis | |
| Chen et al. | Automated ventricular systems segmentation in brain CT images by combining low-level segmentation and high-level template matching | |
| Kafieh et al. | An accurate multimodal 3-D vessel segmentation method based on brightness variations on OCT layers and curvelet domain fundus image analysis | |
| Giachetti et al. | Multiresolution localization and segmentation of the optical disc in fundus images using inpainted background and vessel information | |
| Sarabi et al. | 3D retinal vessel density mapping with OCT-angiography | |
| Hu et al. | LIFE: a generalizable autodidactic pipeline for 3D OCT-A vessel segmentation | |
| Somasundaram et al. | Fully automatic method to identify abnormal MRI head scans using fuzzy segmentation and fuzzy symmetric measure | |
| Sahli et al. | A computer-aided method based on geometrical texture features for a precocious detection of fetal Hydrocephalus in ultrasound images | |
| JP6987721B2 (ja) | 画像処理装置、方法およびプログラム | |
| Chen et al. | Stage diagnosis for Chronic Kidney Disease based on ultrasonography | |
| Shi et al. | Automated choroid segmentation in three-dimensional 1-μ m wide-view OCT images with gradient and regional costs | |
| CN106415661B (zh) | 用于分析表示生物组织的三维体积的图像数据的方法 | |
| Ometto et al. | Fast 3-dimensional estimation of the Foveal Avascular Zone from OCTA |