CN106846301A - 视网膜图像分类方法及装置 - Google Patents
视网膜图像分类方法及装置 Download PDFInfo
- Publication number
- CN106846301A CN106846301A CN201611248700.8A CN201611248700A CN106846301A CN 106846301 A CN106846301 A CN 106846301A CN 201611248700 A CN201611248700 A CN 201611248700A CN 106846301 A CN106846301 A CN 106846301A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- area
- optic disk
- 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
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
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种视网膜图像分类方法及装置,所述方法包括:获取样本视网膜图像;提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;获取待分类的目标视网膜图像;提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。本发明的视网膜图像分类方法及装置,可以提高视网膜图像分类的效率和准确度,简单易行,适用范围广。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种视网膜图像分类方法及装置。
背景技术
医学的发展与人类的健康密切相关,因此数字图像处理技术从一开始就引起了生物医学界的浓厚兴趣。早在七十年代末就有文献统计指出图像处理的一个十分广泛的应用场合是医学图像处理。医学上不论在基础学科还是临床应用,都是图像处理种类极多的领域。但是由于医学图像的处理技术难度大,使得很多处理很难达到临床实用化程度。近年来,随着数字图像处理设备成木的降低,用数字图像处理技术改善各类医学图像质量已达到实用阶段。
视网膜病变是致盲的主要原因之一。此外,高血压、脑血管硬化、冠状动脉硬化等心脑血管疾病是目前我国老年人死亡和致残的主要原因,此类疾病损伤的组织水平首先是在微循环和微血管层次的变化。眼底视网膜微血管是人体唯一可以非创伤性直接观察的较深层的微血管,它的改变程度与高血压等疾病的病程、严重程度及愈后情况密切相关。通过对视网膜血管***的检查可以发现高血压,糖尿病,动脉硬化等疾病。
现有技术中大多通过检查和评估视网膜数字彩色照片,以对视网膜病变的情况进行判断,非常费时费力。因此,现有的亟待解决的技术问题之一为:如何提供一种高效率、高准确度的视网膜图像分类方法。
发明内容
为了解决上述技术问题,本申请一方面提供了一种视网膜图像分类方法,包括:
获取样本视网膜图像;
提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;
获取待分类的目标视网膜图像;
提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
可选地,所述提取所述样本视网膜图像的感兴趣区域,包括:
获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
可选地,所述提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器,包括:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
可选地,所述提取所述感兴趣区域中的视盘区域,包括:
对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
可选地,所述样本视网膜图像为RGB三通道图像;
相应地,所述提取所述感兴趣区域中的血管区域,包括:
首先选取所述三通道图像中的绿色通道图像Ig,对所述绿色通道图像Ig进行开运算得到图像;
对所述图像进行差值运算以及中值滤波得到Igo图像;
对所述Igo图像进行开运算并与所述Igo图像进行差运算得到图像;
对所述图像采用Ostu分割法进行分割,得到所述血管区域。
可选地,所述图像分类器包括softmax分类器。
另一方面,本发明还提供了一种视网膜图像分类装置,包括:
样本图像获取单元,用于获取样本视网膜图像;
图像区域提取单元,用于提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
分类器训练单元,用于提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;
目标图像获取单元,用于获取待分类的目标视网膜图像;
目标区域获取单元,用于提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
目标图像分类单元,用于提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
可选地,所述图像区域提取单元具体用于获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
可选地,所述分类器训练单元具体用于:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
可选地,所述图像区域提取单元具体用于对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
本发明的视网膜图像分类方法及装置,通过提取样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域,再提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器,进而提取目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域,并提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类,可以提高视网膜图像分类的效率和准确度,简单易行,适用范围广。
附图说明
为了更清楚地说明本发明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,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例的视网膜图像分类方法的流程示意图;
图2为本发明一个实施例的样本视网膜图像;
图3为本发明一个实施例的感兴趣区域示意图;
图4为本发明一个实施例的视盘区域和血管区域示意图;
图5为本发明一个实施例的视网膜图像分类装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
图1为本发明一个实施例的视网膜图像分类方法的流程示意图;如图1所示,该方法包括:
S1:获取样本视网膜图像;
举例来说,首先选取一定数量(例如N幅)的已知分类的图像作为训练图像{(x(1),c(1)),...,(x(N),c(N))},其中c=1,2,3,4,5表示类别,每类图像数目大致相等。
S2:提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
作为本实施例的优选,本步骤中所述提取所述样本视网膜图像的感兴趣区域,可以包括:
获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
进一步地,作为本实施例的优选,本步骤中所述提取所述感兴趣区域中的视盘区域,包括:
对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
举例来说,对每个图像提取感兴趣区。将彩色数字图像转换为灰度图像,灰度值G采用以公式(1)运算:
G=0.2989*R+0.5870*G+0.1140*B (1)
在此基础上,将灰度值的最小值映射到0,最大值映射到255,其它值线性拉伸,然后统计直方图;获得该图像各个灰度值对应的像素个数;再寻找像素c1~c2间,像素数目最少对应的灰度值,将大于该灰度值的像素值置为1,小于该像素的值置为0,再对该二值化图像分别进行膨胀和腐蚀运算,得到感兴趣区域(参见图3);其中,c1优选为5到10之间的值,c2优选为40到80之间的值;
对所述图像进行视盘提取;具体地,对所述图像进行高斯金字塔分解,并在分解得到的最后一级图像中取灰度最大的点为视盘中心(即以此为圆心)作半径为r的圆,该圆形区域即为视盘区域(参见图4)。
S3:提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器(如softmax分类器);
进一步地,作为本实施例的优选,所述样本视网膜图像为RGB三通道图像;
相应地,本步骤中所述提取所述感兴趣区域中的血管区域,可以包括:
首先选取所述三通道图像中的绿色通道图像Ig,对所述绿色通道图像Ig进行开运算得到图像;
对所述图像进行差值运算以及中值滤波得到Igo图像;
对所述Igo图像进行开运算并与所述Igo图像进行差运算得到图像;
对所述图像采用Ostu分割法进行分割,得到所述血管区域。
进一步地,作为本实施例的优选,步骤S3中所述提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器,还可以包括:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
S4:获取待分类的目标视网膜图像;
S5:提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
S6:提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
下面以一具体的实施例来说明本发明,但不限定本发明的保护范围。
本实施例的视网膜图像分类方法包括以下步骤:
A1:获取样本视网膜图像,其中,所述图像为彩色数字图像(参见图2),以R,G,B三个通道存储,总共分为五类。首先选取一定数量(N)的已知分类的图像作为训练图像{(x(1),c(1)),...,(x(N),c(N))},c=1,2,3,4,5表示类别,且每类图像数目大致相等;
A2:对每个图像提取感兴趣区。将彩色数字图像转换为灰度图像,灰度值G采用下面公式(1)运算:
G=0.2989*R+0.5870*G+0.1140*B (1)
将灰度值的最小值映射到0,最大值映射到255,其它值线性拉伸,然后统计直方图。获得该图像各个灰度值对应的像素个数。寻找像素c1~c2间,像素数目最少对应的灰度值,将大于该灰度值的像素值置为1,小于该像素的值置为0,再对该二值图分别作膨胀和腐蚀运算,得到感兴趣区域(参见图3),c1可以取为5~10之间的值,c2可以取为40~80之间的值。
A3:对每幅图像提取视盘;
具体地,对所述图像进行高斯金字塔分解,在分解得到的最后一级图像中取灰度最大的点为视盘中心(以此为圆心),作半径为r的圆,该圆形区域即为视盘区域(参见图4中的圆形区域)。
A4:对每幅图像进行血管提取;
具体地,首先选取绿色通道图像Ig,对其进行开运算得到做差值运算得到并做中值滤波得到Igo;对Igo做开运算并与Igo做差运算得到对其采用Ostu分割法进行分割得到分割结果(参见图4)。
A5:剪裁图像背景区域,并将其缩放成较小的图像sx×sy×3,例如128x128x3。
A6:获取图像小块;具体地,对于每个缩小的图像,在感兴趣区内避开视盘和血管区域,随机提取n个图像小块,其大小为px×py×3,n大于100。
A7:对所有的训练分类器的样本图像进行步骤A2~A6的处理,得到大量的小图像块;
A8:从步骤A7中获得的小图像块中学习特征;
具体地,采用3层神经网络,第一层和第三层单元数目为每个图像小块的像素总和(Np=px×py×3),第二层中单元数目为Y,小于1000,故第一层各个单元的数据为图像小块的像素值xi,然后经过权值以及偏移量作为第二层的输入,得到相应的输出其中,f为sigmoid函数;将该值作为第三层的输入,同样经过加权和偏移计算得到输出故总的训练参数为2Np×Y+Y+Np,训练时令输出值近似等于输入值,即代价函数为:对其优化得到对应的参数值;
A9:特征提取;具体地,步骤A8得到的W1,该特征大小为px×py×3×Y。对于步骤A5得到的图像,对其每个小块px×py和上述特征做卷积,得到图像大小为(sx-px)×(sy-py)+1,卷积特征大小为(sx-px+1)×(sy-py+1)×Y;将该特征划分到若干个大小为m×n的不重叠的区域,取该区域的均值为最终特征,其大小为Θ=floor[(sx-px+1)/m]×floor[(sy-py+1)/n]×Y;
A10:采用步骤A9得到的最终特征,训练softmax分类器,对应的代价函数为:
训练参数个数c×Θ,λ为一常数;其中1{值为真的表达式}=1,1{值为假的表达式}=0;优化该代价函数使其达到最小值,得到分类器的各个参数
A11:对于一个需要判断类别的图像I,按步骤A2到A8进行处理,得到对应的特征y,长度为Θ,计算θopty,其最大值对应的类别即为分类结果。
图5为本发明一个实施例的视网膜图像分类装置的结构示意图;如图5所示,该装置包括:
样本图像获取单元10,用于获取样本视网膜图像;
图像区域提取单元20,用于提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
分类器训练单元30,用于提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;
目标图像获取单元40,用于获取待分类的目标视网膜图像;
目标区域获取单元50,用于提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
目标图像分类单元60,用于提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
作为本实施例的优选,所述图像区域提取单元20可以具体用于获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
作为本实施例的优选,所述分类器训练单元30可以具体用于:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
作为本实施例的优选,所述图像区域提取单元20还可以具体用于对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
本实施例所述的装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
需要说明的是,对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种视网膜图像分类方法,其特征在于,包括:
获取样本视网膜图像;
提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;
获取待分类的目标视网膜图像;
提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
2.根据权利要求1所述的方法,其特征在于,所述提取所述样本视网膜图像的感兴趣区域,包括:
获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
3.根据权利要求1所述的方法,其特征在于,所述提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器,包括:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
4.根据权利要求1所述的方法,其特征在于,所述提取所述感兴趣区域中的视盘区域,包括:
对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
5.根据权利要求1所述的方法,其特征在于,所述样本视网膜图像为RGB三通道图像;
相应地,所述提取所述感兴趣区域中的血管区域,包括:
首先选取所述三通道图像中的绿色通道图像Ig,对所述绿色通道图像Ig进行开运算得到图像;
对所述图像进行差值运算以及中值滤波得到Igo图像;
对所述Igo图像进行开运算并与所述Igo图像进行差运算得到图像;
对所述图像采用Ostu分割法进行分割,得到所述血管区域。
6.根据权利要求1所述的方法,其特征在于,所述图像分类器包括softmax分类器。
7.一种视网膜图像分类装置,其特征在于,包括:
样本图像获取单元,用于获取样本视网膜图像;
图像区域提取单元,用于提取所述样本视网膜图像的感兴趣区域,并提取所述感兴趣区域中的视盘区域和血管区域;
分类器训练单元,用于提取所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像特征训练图像分类器;
目标图像获取单元,用于获取待分类的目标视网膜图像;
目标区域获取单元,用于提取所述目标视网膜图像的目标感兴趣区域,并提取所述目标感兴趣区域中的视盘区域和血管区域;
目标图像分类单元,用于提取所述目标感兴趣区域中的所述视盘区域以及所述血管区域之外的区域的图像特征,以根据所述图像分类器对所述目标视网膜图像进行分类。
8.根据权利要求7所述的装置,其特征在于,所述图像区域提取单元具体用于获取所述样本视网膜图像对应的二值化图像,并对所述二值化图像极性膨胀和腐蚀处理,以得到所述感兴趣区域。
9.根据权利要求7所述的装置,其特征在于,所述分类器训练单元具体用于:
从所述感兴趣区域中的所述视盘区域以及所述血管区域之外的区域中,随机提取多个图像小块;
根据神经网络算法提取所述多个图像小块的图像特征,并根据所述图像特征确定最终图像特征,以根据所述最终图像特征训练图像分类器。
10.根据权利要求7所述的装置,其特征在于,所述图像区域提取单元具体用于对所述感兴趣区域作高斯金字塔分解,并在分解得到的最后一级图像中,以灰度最大的点为视盘中心、以预设长度为半径确定目标圆型区域,以将所述圆形区域作为所述视盘区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248700.8A CN106846301B (zh) | 2016-12-29 | 2016-12-29 | 视网膜图像分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611248700.8A CN106846301B (zh) | 2016-12-29 | 2016-12-29 | 视网膜图像分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106846301A true CN106846301A (zh) | 2017-06-13 |
CN106846301B CN106846301B (zh) | 2020-06-23 |
Family
ID=59113738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611248700.8A Active CN106846301B (zh) | 2016-12-29 | 2016-12-29 | 视网膜图像分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106846301B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685770A (zh) * | 2018-12-05 | 2019-04-26 | 合肥奥比斯科技有限公司 | 视网膜血管弯曲度确定方法 |
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN111000563A (zh) * | 2019-11-22 | 2020-04-14 | 北京理工大学 | 一种视网膜动脉静脉直径比自动测量方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070109499A1 (en) * | 2005-10-12 | 2007-05-17 | Siemens Corporate Research Inc | System and Method For Robust Optic Disk Detection In Retinal Images Using Vessel Structure And Radon Transform |
US20110170751A1 (en) * | 2008-01-16 | 2011-07-14 | Rami Mangoubi | Systems and methods for detecting retinal abnormalities |
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及*** |
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 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
-
2016
- 2016-12-29 CN CN201611248700.8A patent/CN106846301B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070109499A1 (en) * | 2005-10-12 | 2007-05-17 | Siemens Corporate Research Inc | System and Method For Robust Optic Disk Detection In Retinal Images Using Vessel Structure And Radon Transform |
US20110170751A1 (en) * | 2008-01-16 | 2011-07-14 | Rami Mangoubi | Systems and methods for detecting retinal abnormalities |
CN102843957A (zh) * | 2009-08-24 | 2012-12-26 | 新加坡保健服务集团有限公司 | 一种用于检测视盘出血的方法及*** |
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 |
CN104573712A (zh) * | 2014-12-31 | 2015-04-29 | 浙江大学 | 基于眼底图像的动静脉视网膜血管分类方法 |
CN106056595A (zh) * | 2015-11-30 | 2016-10-26 | 浙江德尚韵兴图像科技有限公司 | 基于深度卷积神经网络自动识别甲状腺结节良恶性的方法 |
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
Non-Patent Citations (5)
Title |
---|
MARC LALONDE 等: "Fast and Robust Optic Disc Detection Using Pyramidal Decomposition and Hausdorff-Based Template Matching", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
MOHD HANAFI AHMAD HIJAZI 等: "Retinal Image Classification using a Histogram Based Approach", 《THE 2010 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 * |
SAHINAZ SAFARI SANJANI 等: "Blood Vessel Segmentation in Retinal Fundus Images", 《HTTPS://WEB.STANFORD.EDU/~JBBOIN/DOC/VESSEL_SEGMENTATION_REPORT.PDF》 * |
SWATI GUPTA 等: "Diagnosis of Diabetic Retinopathy using Machine Learning", 《JOURNAL OF RESEARCH AND DEVELOPMENT》 * |
高玮玮 等: "基于多模板匹配的局部自适应区域生长法在视网膜内出血自动检测中的应用", 《光谱学与光谱分析》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110914835A (zh) * | 2017-07-28 | 2020-03-24 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN113284101A (zh) * | 2017-07-28 | 2021-08-20 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN110914835B (zh) * | 2017-07-28 | 2024-04-19 | 新加坡国立大学 | 修改用于深度学习模型的视网膜眼底图像的方法 |
CN109685770A (zh) * | 2018-12-05 | 2019-04-26 | 合肥奥比斯科技有限公司 | 视网膜血管弯曲度确定方法 |
CN109685770B (zh) * | 2018-12-05 | 2020-10-09 | 合肥奥比斯科技有限公司 | 视网膜血管弯曲度确定方法 |
CN111000563A (zh) * | 2019-11-22 | 2020-04-14 | 北京理工大学 | 一种视网膜动脉静脉直径比自动测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106846301B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021916B (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
Rezaoana et al. | Detection and classification of skin cancer by using a parallel CNN model | |
Soomro et al. | Boosting sensitivity of a retinal vessel segmentation algorithm with convolutional neural network | |
CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
Karegowda et al. | Exudates detection in retinal images using back propagation neural network | |
Shahin et al. | Automated detection of diabetic retinopathy in blurred digital fundus images | |
CN109087302A (zh) | 一种眼底图像血管分割方法及设备 | |
CN107871318A (zh) | 一种基于模型迁移的冠状动脉钙化斑块检测方法 | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN108185984A (zh) | 眼底彩照进行眼底病灶识别的方法 | |
CN111815562B (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
CN106651899A (zh) | 基于Adaboost的眼底图像微动脉瘤检测*** | |
CN107704886A (zh) | 一种基于深度卷积神经网络的医疗图像分级***和方法 | |
Aravind et al. | Automatic detection of microaneurysms and classification of diabetic retinopathy images using SVM technique | |
CN108108757A (zh) | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 | |
Abiyev et al. | Fuzzy neural networks for identification of breast cancer using images' shape and texture features | |
CN106846301A (zh) | 视网膜图像分类方法及装置 | |
Yang et al. | Classification of diabetic retinopathy severity based on GCA attention mechanism | |
Junjun et al. | Diabetic retinopathy detection based on deep convolutional neural networks for localization of discriminative regions | |
Sreng et al. | Automatic exudate extraction for early detection of Diabetic Retinopathy | |
Acharya et al. | Swarm intelligence based adaptive gamma corrected (SIAGC) retinal image enhancement technique for early detection of diabetic retinopathy | |
Zhang et al. | Hierarchical detection of red lesions in retinal images by multiscale correlation filtering | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
CN110390312A (zh) | 基于卷积神经网络的染色体自动分类方法和分类器 | |
Sundar et al. | Classification of Diabetic Retinopathy disease levels by extracting topological features using Graph Neural Networks |
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 |