CN108109159A - 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** - Google Patents
一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** Download PDFInfo
- Publication number
- CN108109159A CN108109159A CN201711396509.2A CN201711396509A CN108109159A CN 108109159 A CN108109159 A CN 108109159A CN 201711396509 A CN201711396509 A CN 201711396509A CN 108109159 A CN108109159 A CN 108109159A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- retinal
- vessel
- region
- 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
- 210000001210 retinal vessel Anatomy 0.000 title claims abstract description 17
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 230000004256 retinal image Effects 0.000 claims abstract description 13
- 230000002708 enhancing effect Effects 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 6
- 210000001525 retina Anatomy 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000002207 retinal effect Effects 0.000 abstract description 3
- 102000000584 Calmodulin Human genes 0.000 abstract 1
- 108010041952 Calmodulin Proteins 0.000 abstract 1
- 238000000638 solvent extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 4
- 230000002792 vascular Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004232 retinal microvasculature Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于hessian矩阵和区域增长相结合的视网膜血管分割***,包括用以提取视网膜图像绿色通道并对提取的图像进行增强处理提高对比度的视网膜图像预处理单元;通过hessian矩阵对图像进行再次增强处理并过去视网膜图像中血管走向的hessian矩阵增强单元;将hessian矩阵增强后的图像进行形态分类,以提取细小血管的连通域分类单元;以及对分类后的图像进行区域增长以连接图像中断裂的血管结构,进而提高分割效果、完善分割结果的区域增长单元。本***能够实现视网膜眼底图像中血管分割,并且针对分割算法分割结果出现断裂点的问题,采用hessian矩阵结合区域增长的方式,提出二者结合的算法,进一步改善了提取图像中血管断裂的情况,提高了血管分割的准确率。
Description
技术领域
本发明涉及医学图像处理技术领域,具体说涉及一种基于hessian矩阵和区域增长相结合的视网膜血管分割***。
背景技术
视网膜微血管作为人体唯一可以非创伤直接观察深层微血管,其状态和结构的改变可以表征包含高血压、糖尿病等多种疾病的产生。因而可以利用眼底视网膜血管结构的精确分割辅助临床医师对视网膜疾病进行诊断和治疗,通过对视网膜血管的形态分析,对一些疾病做早期的诊断和预防对临床医学的进步具有极其重要的意义。
由于视网膜图像灰度分布不均匀、血管结构复杂、目标血管与图像背景对比度较低以及图像噪声等因素的干扰,视网膜血管精确分割面临着巨大的挑战。传统分割方法大概可以分为以下五类:(1)基于模式识别的方法:又分为监督分类和无监督分类;(2)基于匹配滤波的方法;(3)基于数学形态学的方法;(4) 基于模型的方法;(5)基于追踪的方法。视网膜图像分割作为图像分割在医学领域应用的重要分支,其研究成果已经被大量报道,现存方法主要基于以上几种方面,或者是在这几个方面上的结合。
上述的方法能够提取大部分视网膜血管,但是由于算法的限制或者实际成像对比度较低,算法分割结果常常出现血管断裂的现象,有待进一步的改善。
发明内容
鉴于现有技术的不足,本发明的目的是要提供一种基于hessian矩阵和区域增长相结合的视网膜血管分割***,该***能够有效解决图像分割结果出现断裂点的问题,改善了血管图像提取质量。
一种基于hessian矩阵和区域增长相结合的视网膜血管分割***,其特征在于,***包括
用以提取视网膜图像绿色通道并对提取的图像进行增强处理提高对比度的视网膜图像预处理单元;
通过hessian矩阵对图像进行再次增强处理并提取视网膜图像中血管走向的hessian矩阵增强单元;
将hessian矩阵增强后的图像进行形态分类,以提取细小血管的连通域分类单元;
以及对分类后的图像进行区域增长以连接图像中断裂的血管结构,进而提高分割效果、完善分割结果的区域增长单元。
进一步地,所述的视网膜图像预处理单元,包括获取背景图像模块以及对比度自适应直方图均衡化模块;
通过所述获取图像背景模块提取视网膜图像的绿色通道,从而确定视网膜图像感兴趣区域,得到提取目标区域图像。
通过对比度自适应直方图均衡化模块对目标区域图像进行对中值滤波和非线性拉伸,重新分配图像的像元亮度或灰度值,通过分布函数累计积分达实现直方图的均衡化。
进一步地,所述hessian矩阵增强单元,利用hessian矩阵特征值检测血管结构,构造血管相似滤波器,增强血管图像,所述hessian矩阵在二维图像中的表达式如下:
其中Lxx为L(x,y,t)中x的二阶导,Lxy、Lyx分别为L(x,y,t)的xy二阶偏导, Lyy为L(x,y,t)中y的二阶导,,L(x,y,t)为原图像像素点高斯滤波的结果, 表示卷积运算,I(x,y)为原图像像素点的位置, G(x,y,t)是方差为t的高斯函数,表达式为:根据 hessian矩阵求得特征值:其中
进一步地,所述血管相似滤波器为:
其中|λ1|≥|λ2|,r=λ2/λ1,β为影响r的比例因子,c为影响s 的比例因子,σ为尺度因子;
当尺度因子σ大小与血管的实际宽度满足一定误差要求时,则滤波器最大输出为:
f(x,y)=max[v(x,y);σ]。
进一步地,所述连通域分类单元根据连通域面积大小结合血管形态特性提取细小血管。
进一步地,所述区域增长单元对分类后的图像进行区域增长,具体包括:
a)提取的血管区域作为种子点并加入种子点队列;
b)从种子点队列中取出一个种子点并以该种子点的8邻域作为增长区域;
c)判断各邻域内是否存在还没有加入血管区域的一点,且该点的血管方向方差值小于一定阈值,若是,则将该点设置为血管点,并将其加入到种子点队列中;
d)重复步骤c)-d)直至遍历种子点队列中的所有种子点,则终止增长过程。
通过上述技术方案,本发明公开的***能够实现视网膜眼底图像中血管的分割,并且针对视网膜分割算法分割结果出现断裂点的问题,采用hessian矩阵结合区域增长的方式,提出二者结合的算法,进一步改善了提取图像中血管断裂的情况,提高了血管分割的准确率。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅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***工作流程图;
图2为DRIVE数据库中视网膜图像;
图3为本发明视网膜图像预处理单元处理后的视网膜图像;
图4为本发明hessian矩阵增强后的视网膜图像;
图5a为本发明连通域示意图;
图5b为本发明连通域血管中心线示意图;
图5c为本发明连通域待细分区域示意图;
图6a为原血管方向示意图;
图6b为本发明提取的血管方向示意图;
图7为本发明实施例中***最终分割结果图;
图8为本实施例中图像采用cosfire方法进行分割的结果图;
图9为本实施例中图像采用一阶高斯滤波器分割的结果图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
本发明公开了一种基于hessian矩阵和区域增长相结合的视网膜血管分割***,***包括图像预处理单元,hessian矩阵增强单元,连通域分类单元,区域增长单元和形态学后处理单元。如图1所示为本发明***的工作流程图。
所述的视网膜图像预处理单元能够改善图像质量,减少因为成像问题对后面的检测过程所带来的干扰。其包括获取背景图像模块以及对比度自适应直方图均衡化模块;通过所述获取图像背景模块提取视网膜图像的绿色通道,从而确定视网膜图像感兴趣区域,得到提取目标区域图像。通过对比度自适应直方图均衡化模块对目标区域图像进行对中值滤波和非线性拉伸,重新分配图像的像元亮度或灰度值,通过分布函数累计积分达实现直方图的均衡化,。对比度自适应直方图均衡化模块,对中值滤波后的图像进行非线性拉伸,重新分配图像的像元亮度或灰度值,使一定范围内的像元亮度或灰度值的数量达到大致相等的效果就是直方图的均衡化,得到均衡化后的图像,图2为本实施例带提取的视网膜图像,经过视网膜图像预处理单元处理的图像如图3所示。
所述hessian矩阵增强单元通过hessian矩阵对图像进行再次增强处理并过去视网膜图像中血管走向。具体的,所述hessian矩阵增强单元,利用hessian 矩阵特征值检测血管结构,构造血管相似滤波器,增强血管图像,所述hessian 矩阵在二维图像中的表达式如下:
其中其中Lxx为L(x,y,t)中x的二阶导,Lxy、Lyx分别为L(x,y,t)的xy二阶偏导,Lyy为L(x,y,t)中y的二阶导,L(x,y,t)为原图像像素点高斯滤波的结果, 表示卷积运算,I(x,y)为原图像像素点的位置,, G(x,y,t)是方差为t的高斯函数,表达式为:根据 hessian矩阵求得特征值:其中hessian矩阵的特征值在处理线性结构中有着以下优势:
(1)在线性结构中,hessian矩阵的两个特征值|λ1|>|λ2|,随着线性结构的明显,两个特征值的绝对值差也越来越大。
(2)在线性结构中,|λ1|和|λ2|方向为相互垂直,|λ1|的方向垂直于血管像素变化方向,|λ2|则平行于血管方向的像素变化,也就是说|λ2|的方向就是血管的走向。
(3)由于视网膜图像中部分血管处的像素值较低,亮度较暗,根据特征值的正负来判断该结构是否为血管结构,即λ1>0时,此线性结构为暗线即为血管。当λ1<0时,此线状结构为亮线也就是为非血管。
根据特征值,建立血管相似度滤波器:
其中|λ1|≥|λ2|,r=λ2/λ1,β为影响r的比例因子,c为影响s的比例因子,本实施例中β、c均取5,σ为尺度因子;当尺度因子σ大小与血管的实际宽度接近或一致时,滤波器输出最大为:
f(x,y)=max[v(x,y);σ]。
经过所述hessian矩阵增强单元增强的视网膜图像如图4所示。
进一步地,所述连通域分类单元根据连通域面积大小结合血管形态特性提取细小血管。
连通域分类单元对增强后的视网膜图像根据判断连通域的面积的大小结合血管形态进行分类,分类准则:
1)一个连通区域中的像素数目小于一个很小的阈值则就认为该连通区域是非血管区域。
2)一个连通区域中的像素数目大于一个较大的阈值则认为该连通区域是血管区域。
3)一个连通区域中的血管增强平均值很小,则认为该独立体区域是非血管区域。(但是这种限制对把一些小血管误删除)。
4)一个连通区域当在满足条件3的时候,但该连通区域很长,则认为该连通区域是仍然血管区域。
本***将区域分割阈值像素点个数设置为200,血管平均值设定为0.4。分类过程如图5a-5c所示。
其对分类后的图像进行区域增长,具体包括:
a)提取的血管区域作为种子点并加入种子点队列;
b)从种子点队列中取出一个种子点并以该种子点的8邻域作为增长区域;
c)判断各邻域内是否存在还没有加入血管区域的一点,且该点的血管方向方差值小于一定阈值,若是,则将该点设置为血管点,并将其加入到种子点队列中。
d)重复步骤c)-d)直至遍历种子点队列中的所有种子点,则终止增长过程。
上述区域增长判断条件可表示为:
其中H(x,y)为方差结果图像的种子点,为8领域内的种子待选点,ε为误差范围,本***选取0.3。处理后的视网膜图像结果如图6所示。
经过上述步骤,得到最终的视网膜血管分割图,如图7所示。图8、图9 分别为基于分形维数与高斯滤波结合的视网膜血管分割***效果图,比较来看,本发明对于血管断裂点的连接效果明显,细节处更加清晰。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于hessian矩阵和区域增长相结合的视网膜血管分割***,其特征在于***包括:
用以提取视网膜图像绿色通道并对提取的图像进行增强处理提高对比度的视网膜图像预处理单元;
通过hessian矩阵对图像进行再次增强处理并提取视网膜图像中血管走向的hessian矩阵增强单元;
将hessian矩阵增强后的图像进行形态分类,以提取细小血管的连通域分类单元;
以及对分类后的图像进行区域增长以连接图像中断裂的血管结构,进而提高分割效果、完善分割结果的区域增长单元。
2.根据权利要求1所述的视网膜血管分割***,其特征在于所述的视网膜图像预处理单元,包括获取背景图像模块以及对比度自适应直方图均衡化模块;
通过所述获取图像背景模块提取视网膜图像的绿色通道,从而确定视网膜图像感兴趣区域,得到提取目标区域图像;
通过对比度自适应直方图均衡化模块对目标区域图像进行对中值滤波和非线性拉伸,重新分配图像的像元亮度或灰度值,通过分布函数累计积分达实现直方图的均衡化。
3.根据权利要求1所述的视网膜血管分割***,其特征在于所述hessian矩阵增强单元,利用hessian矩阵特征值检测血管结构,构造血管相似滤波器,增强血管图像,所述hessian矩阵在二维图像中的表达式如下:
<mrow>
<mi>H</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>L</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>L</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
</mrow>
</msub>
</mtd>
<mtd>
<msub>
<mi>L</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中Lxx为L(x,y,t)中x的二阶导,Lxy、Lyx分别为L(x,y,t)的xy二阶偏导,Lyy为L(x,y,t)中y的二阶导,,L(x,y,t)为原图像像素点高斯滤波的结果, 表示卷积运算,I(x,y)为原图像像素点的位置,G(x,y,t)是方差为t的高斯函数,表达式为:根据hessian矩阵求得特征值:其中
4.根据权利要求3所述的视网膜血管分割***,其特征在于所述血管相似滤波器为:
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>&sigma;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>/</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>&beta;</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<msup>
<mi>s</mi>
<mn>2</mn>
</msup>
<mo>/</mo>
<mn>2</mn>
<msup>
<mi>c</mi>
<mn>2</mn>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中|λ1|≥|λ2|,r=λ2/λ1,β为影响r的比例因子,c为影响s的比例因子,σ为尺度因子;
当尺度因子σ大小与血管的实际宽度满足一定误差要求时,则滤波器最大输出为:
f(x,y)=max[v(x,y);σ]。
5.根据权利要求1所述的视网膜血管分割***,其特征在于所述连通域分类单元根据连通域面积大小结合血管形态特性提取细小血管。
6.根据权利要求1所述的视网膜血管分割***,其特征在于所述区域增长单元对分类后的图像进行区域增长,具体包括:
a)提取的血管区域作为种子点并加入种子点队列;
b)从种子点队列中取出一个种子点并以该种子点的8邻域作为增长区域;
c)判断各邻域内是否存在还没有加入血管区域的一点,且该点的血管方向方差值小于一定阈值,若是,则将该点设置为血管点,并将其加入到种子点队列中;
d)重复步骤c)-d)直至遍历种子点队列中的所有种子点,则终止增长过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396509.2A CN108109159B (zh) | 2017-12-21 | 2017-12-21 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711396509.2A CN108109159B (zh) | 2017-12-21 | 2017-12-21 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108109159A true CN108109159A (zh) | 2018-06-01 |
CN108109159B CN108109159B (zh) | 2020-07-28 |
Family
ID=62212130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711396509.2A Expired - Fee Related CN108109159B (zh) | 2017-12-21 | 2017-12-21 | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108109159B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829931A (zh) * | 2019-01-07 | 2019-05-31 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
CN110599417A (zh) * | 2019-09-04 | 2019-12-20 | 中国人民解放军63677部队 | 一种基于Hessian矩阵的视网膜图像血管提取方法 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111784720A (zh) * | 2020-06-19 | 2020-10-16 | 天津大学 | 一种dsa和ivoct的血管图像融合方法 |
CN111968051A (zh) * | 2020-08-10 | 2020-11-20 | 珠海普生医疗科技有限公司 | 一种基于曲率分析的内窥镜血管增强方法 |
CN112862850A (zh) * | 2021-02-03 | 2021-05-28 | 北京阅影科技有限公司 | 数字剪影血管造影影像处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其*** |
CN104616307A (zh) * | 2015-02-12 | 2015-05-13 | 河北大学 | 一种肺部ct图像粘连血管型结节检测方法 |
CN106651899A (zh) * | 2016-12-09 | 2017-05-10 | 东北大学 | 基于Adaboost的眼底图像微动脉瘤检测*** |
CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
CN107358612A (zh) * | 2017-07-07 | 2017-11-17 | 东北大学 | 一种基于分形维数与高斯滤波结合的视网膜血管分割***及方法 |
-
2017
- 2017-12-21 CN CN201711396509.2A patent/CN108109159B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425186A (zh) * | 2008-11-17 | 2009-05-06 | 华中科技大学 | 一种基于ct图像的肝脏分段方法及其*** |
CN104616307A (zh) * | 2015-02-12 | 2015-05-13 | 河北大学 | 一种肺部ct图像粘连血管型结节检测方法 |
CN106651899A (zh) * | 2016-12-09 | 2017-05-10 | 东北大学 | 基于Adaboost的眼底图像微动脉瘤检测*** |
CN107274399A (zh) * | 2017-06-19 | 2017-10-20 | 太原理工大学 | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 |
CN107358612A (zh) * | 2017-07-07 | 2017-11-17 | 东北大学 | 一种基于分形维数与高斯滤波结合的视网膜血管分割***及方法 |
Non-Patent Citations (3)
Title |
---|
M.ELENA MARTINEZ-PEREZ 等: "segmentation of blood vessels from red-free and fluorescein retinal images", 《MEDICAL IMAGE ANALYSIS》 * |
刘晏丽 等: "基于Hessian矩阵和区域生长的肝血管树的分割算法研究", 《计算机与现代化》 * |
房頔: "基于Hessian矩阵和区域增长的血管分割算法的研究与实现", 《中国优秀硕士学位论文全文数据库-医药卫生科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829931A (zh) * | 2019-01-07 | 2019-05-31 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
CN109829931B (zh) * | 2019-01-07 | 2023-07-11 | 三峡大学 | 一种基于区域增长pcnn的视网膜血管分割方法 |
CN110599417A (zh) * | 2019-09-04 | 2019-12-20 | 中国人民解放军63677部队 | 一种基于Hessian矩阵的视网膜图像血管提取方法 |
CN111539917A (zh) * | 2020-04-09 | 2020-08-14 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111539917B (zh) * | 2020-04-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 一种基于粗细粒度融合的血管分割方法、***、终端及存储介质 |
CN111784720A (zh) * | 2020-06-19 | 2020-10-16 | 天津大学 | 一种dsa和ivoct的血管图像融合方法 |
CN111784720B (zh) * | 2020-06-19 | 2023-02-28 | 天津大学 | 一种dsa和ivoct的血管图像融合方法 |
CN111968051A (zh) * | 2020-08-10 | 2020-11-20 | 珠海普生医疗科技有限公司 | 一种基于曲率分析的内窥镜血管增强方法 |
CN112862850A (zh) * | 2021-02-03 | 2021-05-28 | 北京阅影科技有限公司 | 数字剪影血管造影影像处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108109159B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109159B (zh) | 一种基于hessian矩阵和区域增长相结合的视网膜血管分割*** | |
CN108986106B (zh) | 面向青光眼的视网膜血管自动分割方法 | |
Datta et al. | An effective approach: image quality enhancement for microaneurysms detection of non-dilated retinal fundus image | |
Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
Aravind et al. | Automatic detection of microaneurysms and classification of diabetic retinopathy images using SVM technique | |
Salem et al. | Segmentation of retinal blood vessels based on analysis of the hessian matrix and clustering algorithm | |
Deshpande et al. | Automated detection of polycystic ovarian syndrome using follicle recognition | |
Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
CN109410191B (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
Yılmaz et al. | Follicle detection for polycystic ovary syndrome by using image processing methods | |
Shingade et al. | A review on implementation of algorithms for detection of diabetic retinopathy | |
Gou et al. | A novel retinal vessel extraction method based on dynamic scales allocation | |
CN111899272A (zh) | 基于耦合神经网络和线连接器的眼底图像血管分割方法 | |
Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning | |
Puranik et al. | Morphology based approach for microaneurysm detection from retinal image | |
CN110458042B (zh) | 一种荧光ctc中的探针数目检测方法 | |
Sathya et al. | Contourlet transform and morphological reconstruction based retinal blood vessel segmentation | |
Maruthusivarani et al. | Comparison of automatic blood vessel segmentation methods in retinal images | |
Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
CN114140830A (zh) | 一种基于循环肿瘤细胞图像的重复识别抑制方法 | |
Lekshmi et al. | Detection of glaucoma and diabetic retinopathy using image processing technique by Raspberry pi | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
Kabir | A rule based segmentation approaches to extract retinal blood vessels in fundus image | |
CN113554660B (zh) | 一种用于检测眼底微动脉瘤的检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200728 |