CN108230341A - 一种基于分层抠图算法的眼底图像血管分割方法 - Google Patents

一种基于分层抠图算法的眼底图像血管分割方法 Download PDF

Info

Publication number
CN108230341A
CN108230341A CN201810186477.1A CN201810186477A CN108230341A CN 108230341 A CN108230341 A CN 108230341A CN 201810186477 A CN201810186477 A CN 201810186477A CN 108230341 A CN108230341 A CN 108230341A
Authority
CN
China
Prior art keywords
image
eye fundus
fundus image
pixel
layering
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
Application number
CN201810186477.1A
Other languages
English (en)
Other versions
CN108230341B (zh
Inventor
范衠
卢杰威
朱贵杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Original Assignee
Shantou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University filed Critical Shantou University
Priority to CN201810186477.1A priority Critical patent/CN108230341B/zh
Publication of CN108230341A publication Critical patent/CN108230341A/zh
Application granted granted Critical
Publication of CN108230341B publication Critical patent/CN108230341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30008—Bone
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明实施例公开了一种基于分层抠图算法的眼底图像血管分割方法，所述方法包括：对眼底图像进行预处理，生成眼底图像的三分图；利用分层抠图算法分割眼底图像三分图中未知区域的血管；对分割后的血管图像进行后处理；将进行后处理的图像在DRIVE和STARE两个公开的数据库上进行测试，得到眼底图像血管分割的结果图。本发明采用一种分层抠图的算法对眼底图像进行处理，可以高效准确地进行眼底图像的血管分割，从而可以帮助医生提高对眼部疾病的诊断效率，并有利于减少可能存在的由于医生疲劳而导致的误诊。

Description

一种基于分层抠图算法的眼底图像血管分割方法
技术领域
本发明属于医学图像处理领域，特别是涉及一种基于分层抠图模型的眼底图像血管分割方法。
背景技术
眼底血管一般呈现出粗到细的离心分布，并且呈网状结构或树状结构。而对眼底血管的分析能够提供很多常见疾病，如高血压、糖尿病等的重要信息因此对眼底血管的形状特征分析有助于及时检测和治疗眼部疾病，而眼底血管的分割是眼底血管分析的第一步，也是其中最为关键的一步
近些年来，眼底血管的分割已经引起了越来越多人的关注。眼底血管的分割算法大致可以分为两类：无监督算法和监督算法。无监督算法是通过某种规则来提取血管目标，包括匹配滤波，形态学处理，血管追踪，多尺度分析等算法。在监督算法中，主要分为两个过程：特征提取和分类。特征提取阶段通常包括Gabor滤波，高斯匹配滤波，形态学增强等方法。分类阶段通常包括的分类器有朴素贝叶斯，SVM等分类器。但是，该种方法对于像素的判断不能很好的考虑每个像素与其周围领域像素之间的联系。在无监督算法中，研究者不断地挖掘血管的内部特征，并根据这些特征进行眼底图像血管分割算法的设计。现有的眼底图像血管算法分割的精度不高，而时间复杂度较高，无法满足实际要求，因此发明一种高效的眼底图像血管分割算法显得尤为重要。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于分层抠图算法的眼底图像血管分割方法。可对血管进行高精度分割。
为了解决上述技术问题，本发明实施例提供了一种基于分层抠图算法的眼底图像血管分割方法，该方法对血管分割精度高，可以帮助医生提高对眼部疾病的诊断效率。
为实现上述目的，本发明提供的一种基于分层抠图算法的眼底图像血管分割方法，包括以下步骤：
步骤1：利用区域特征对眼底图像进行预处理，得到眼底图像的三分图；
步骤2：利用分层抠图算法分割眼底图像三分图中未知区域的血管；
步骤3：对分割后的血管图像进行后处理；
步骤4：将经步骤3处理后的图像在DRIVE和STARE两个公开的眼底图像数据库上进行测试，得到眼底图像血管分割结果图。
其中，
所述步骤1中，所使用的区域特征包括：区域面积特征Area，区域延展特征Extent和区域比例特征Vratio。
对眼底图像的预处理包括三步：眼底图像的初步分割；眼底图像的血管骨骼提取；眼底图像三分图的生成。
其中，对眼底图像的预处理的三个步骤具体为：
(a)眼底图像的初步分割处理：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用两个阈值0.2和0.35对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于0.2的区域为背景区域B，像素值在0.2和0.35之间的区域为未知区域U，像素值大于0.35的区域为血管区域V1；
(b)眼底图像的血管骨骼提取：指对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用阈值0.55对变换后的图像进行二值化，得到二值图像T，根据所述区域面积特征Area将二值图像T分成三部分：
式中，a1＝fi×2，a2＝fi×35，h和w为图像的高和宽，去除图像T2中区域特征为Extent>0.25且Vratio<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像S；
(c)眼底图像三分图的生成：将所述骨骼图像S与所述血管区域V1进行并操作，即V1∪S得到血管区域V，然后将所述血管区域V、背景区域B和未知区域U进行合并得到眼底图像的三分图。
进一步地，所述步骤2中分层抠图算法包含两步：对所述未知区域U中的像素点进行分层和对分层后每层的像素点进行分类。
其中，
对所述未知区域U中像素点进行分层是指计算所述未知区域中U像素点和血管区域V中所有像素点的距离，选择距离大小最小的距离作为未知区域U中像素点的分层距离，未知区域U中分层距离最大的像素点分在最后一层，未知区域U中分层距离最小的像素点分在第一层，依次类推。
对每层像素点进行分类是指从第一层开始，先根据相关公式β(u,k)确定每层的未知像素点u和已知像素点k(背景点和血管点)的关系，相关公式β(u,k)的定义如下：
式中，u和k分别表示未知区域U的像素点和已知区域(背景区域B和血管区域V)的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值，β值小表示未知像素点和某个已知像素点的关系紧密，否则表示关系不紧密，针对每层的每个未知像素点，将关系最紧密的已知像素点的标记(血管或背景)赋给未知像素点以进行像素点更新，每层更新后，将该层更新的像素点加入到已知像素点中。
进一步地，所述步骤3中，对分割后的血管图像进行后处理是指去除利用分层抠图算法分割得到的血管图像中区域特征为Area<a2，Extent>0.25且Vratio<2.2的区域。
本发明的基于分层抠图算法的眼底图像血管分割方法，采用能够高效准确地进行眼底图像中血管的分割，可以帮助医生提高对眼部疾病诊断的效率，并有利于减少可能存在的由于医生劳累而导致的误诊。
附图说明
图1为本发明的基于分层抠图算法的眼底图像血管分割方法的总体流程图；
图2为本发明的用于测试的眼底血管样本图像；
图3为图2的眼底图像血管分割结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供该实施例的目的是使对本发明的公开更加透彻全面。
请参阅图1，本发明提供一种基于分层抠图算法的眼底血管分割方法，该方法包括以下步骤：
步骤1：利用区域特征对眼底图像进行预处理，生成眼底图像的三分图。所使用的区域特征包括：区域面积特征Area,区域延展特征Extent和区域比例特征Vratio。
对眼底图像的预处理包括三步：眼底图像的初步分割；眼底图像的血管骨骼提取；眼底图像三分图的生成。
对眼底图像的预处理的三个步骤具体为
(a)眼底图像的初步分割处理：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用两个阈值0.2和0.35对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于0.2的区域为背景区域B，像素值在0.2和0.35之间的区域为未知区域U，像素值大于0.35的区域为血管区域V1；
(b)眼底图像的血管骨骼提取：指对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用阈值0.55对变换后的图像进行二值化，得到二值图像T，根据所述区域面积特征Area将二值图像T分成三部分：
式中，a1＝fi×2，a2＝fi×35，h和w为图像的高和宽，去除图像T2中区域特征为Extent>0.25且Vratio<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像S；
(c)眼底图像三分图的生成：将所述骨骼图像S与所述血管区域V1进行并操作，即V1∪S得到血管区域V，然后将所述血管区域V、背景区域B和未知区域U进行合并得到眼底图像的三分图。
步骤2：利用分层抠图算法分割眼底图像三分图中未知区域的血管。分层抠图算法包含两步：对所述未知区域U中的像素点进行分层和对分层后每层的像素点进行分类。
对所述未知区域U中像素点进行分层是指计算所述未知区域U中像素点和血管区域V中所有像素点的距离，选择距离大小最小的距离作为未知区域U中像素点的分层距离，未知区域U中分层距离最大的像素点分在最后一层，未知区域U中分层距离最小的像素点分在第一层，依次类推。
对每层像素点进行分类是指从第一层开始，先根据相关公式β(u,k)确定每层的未知像素点u和已知像素点k(背景点和血管点)的关系，相关公式β(u,k)的定义如下：
式中，u和k分别表示未知区域U的像素点和已知区域(背景区域B和血管区域V)的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值，β值小表示未知像素点和某个已知像素点的关系紧密，否则表示关系不紧密，针对每层的每个未知像素点，将关系最紧密的已知像素点的标记(血管或背景)赋给未知像素点以进行像素点更新，每层更新后，将该层更新的像素点加入到已知像素点中。
步骤3：对分割后的血管图像进行后处理。对分割后的血管图像进行后处理是指去除利用分层抠图算法分割得到的血管图像中区域特征为Area<a2，Extent>0.25且Vratio<2.2的区域。
步骤4：将该方法在两个公开的数据库上：DRIVE和STARE进行测试，输出血管分割的测试结果。DRIVE数据库包含40张眼底图像，其中20张用于训练，20张用于测试；STARE数据库包含20张眼底图像。分割后的眼底血管样本图像请参阅图3。血管分割的测试结果为：在DRIVE数据库上，特异性为0.981，敏感性为0.736，准确率为0.960；在STARE数据库上，特异性为0.970，敏感性为0.791，准确率为0.957。其中特异性表示检测斜眼患者的能力，敏感性表示检测普通人的能力，准确率描述方法的整体效果。
从测试的结果可知，本发明基于分层抠图算法的眼底血管分割方法采用了一种分层抠图的方法，能够高效准确地进行眼底血管的分割，得到高准确度的血管分割结果，利用本发明实施例来进行眼底图像血管分割，将有助于帮助医生提高诊断眼部疾病的效率，并有利于减少可能存在的由于医生疲劳而导致的误诊。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于分层抠图算法的眼底图像血管分割方法，其特征在于，包含如下步骤：
步骤1：利用区域特征对眼底图像进行预处理，得到眼底图像的三分图；
步骤2：利用分层抠图算法分割所述眼底图像三分图中未知区域的血管；
步骤3：对分割后的血管图像进行后处理。
2.根据权利要求1所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，所述步骤1中，所使用的区域特征包括：区域面积特征，区域延展特征和区域比例特征。
3.根据权利要求2所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，所述步骤1还包括眼底图像的初步分割的步骤；眼底图像的血管骨骼提取的步骤；眼底图像三分图的生成的步骤。
4.根据权利要求3所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，
所述眼底图像的初步分割的步骤包括：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行形态学重建，利用第一、第二阈值对重建后的图像进行分割，得到所述眼底图像的初步分割图像，所得初步分割图像中像素值低于第一阈值的区域为背景区域，像素值在第一、第二阈值之间的区域为未知区域，像素值大于第二阈值的区域为血管区域；
所述眼底图像的血管骨骼提取的步骤包括：对每一幅眼底图像，先提取眼底图像的绿色通道图像，对绿色通道图像进行各向同性的非抽样小波变换，利用第三阈值对变换后的图像进行二值化，得到二值图像，根据所述区域面积特征将所述二值图像分成三部分：
式中，a1＝fi×2，a2＝fi×35，h和w为图像的高和宽，去除图像T2中区域特征>0.25且区域比例特征<2.2的区域，得到去噪图像T4；然后将图像T4和T3进行合并，得到眼底血管的骨骼图像
所述眼底图像三分图的生成的步骤包括：将所述骨骼图像与所述血管区域进行并操作得到血管区域，然后将所述血管区域、背景区域和未知区域进行合并得到眼底图像的三分图。
5.根据权利要求4所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，所述步骤2中分层抠图算法包含步骤：对所述未知区域中的像素点进行分层和对分层后每层的像素点进行分类。
6.根据权利要求5所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，对所述未知区域中像素点进行分层包括：计算所述未知区域中像素点和血管区域中所有像素点的距离，选择距离大小最小的距离作为未知区域中像素点的分层距离，未知区域中分层距离最大的像素点分在最后一层，未知区域U中分层距离最小的像素点分在第一层。
7.根据权利要求6所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，所述对分层后每层的像素点进行分类包括：第一层开始，先根据相关公式β(u,k)确定每层的未知像素点u和已知像素点k的关系，相关公式β(u,k)的定义如下：
式中，u和k分别表示未知区域U的像素点和已知区域的背景区域B和血管区域V的像素点，cu和ck分别表示像素点u和k的灰度值，xu和xk分别表示像素点u和k的坐标，xmin和xmax分别表示像素点的最小坐标值和最大坐标值，针对每层的每个未知像素点，将关系最紧密的已知像素点的标记赋给未知像素点以进行像素点更新，每层更新后，将该层更新的像素点加入到已知像素点中。
8.根据权利要求7所述的基于分层抠图算法的眼底图像血管分割方法，其特征在于，
所述步骤3中，对分割后的血管图像进行后处理包括去除利用分层抠图算法分割得到的血管图像中区域特征<a2，区域延展特征>0.25且区域比例特征<2.2的区域。
CN201810186477.1A 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法 Active CN108230341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810186477.1A CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810186477.1A CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Publications (2)

Publication Number Publication Date
CN108230341A true CN108230341A (zh) 2018-06-29
CN108230341B CN108230341B (zh) 2021-12-17

Family

ID=62667061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810186477.1A Active CN108230341B (zh) 2018-03-07 2018-03-07 一种基于分层抠图算法的眼底图像血管分割方法

Country Status (1)

Country Link
CN (1) CN108230341B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009626A (zh) * 2019-04-11 2019-07-12 北京百度网讯科技有限公司 用于生成图像的方法和装置
CN110503704A (zh) * 2019-08-27 2019-11-26 北京迈格威科技有限公司 三分图的构造方法、装置和电子设备
CN111311625A (zh) * 2018-09-09 2020-06-19 深圳硅基仿生科技有限公司 图像处理方法和图像处理装置

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138645A2 (en) * 2009-05-29 2010-12-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography
US20110007957A1 (en) * 2009-07-09 2011-01-13 Canon Kabushiki Kaisha Imaging apparatus and control method therefor
CN101951511A (zh) * 2010-08-19 2011-01-19 深圳市亮信科技有限公司 一种通过分析深度进行视频场景分层的方法
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
WO2014143891A1 (en) * 2013-03-15 2014-09-18 University Of Iowa Research Foundation Automated separation of binary overlapping trees
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
CN105069790A (zh) * 2015-08-06 2015-11-18 潍坊学院 一种齿轮外观缺陷快速影像检测方法
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及***
US20160345819A1 (en) * 2015-05-27 2016-12-01 The Regents Of The University Of Michigan Optic disc detection in retinal autofluorescence images
CN106340027A (zh) * 2016-08-26 2017-01-18 西北大学 一种基于图像超分辨率的书法背景重建方法
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及***
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及***
CN107133959A (zh) * 2017-06-12 2017-09-05 上海交通大学 一种快速的血管边界三维分割方法及***
CN107730528A (zh) * 2017-10-28 2018-02-23 天津大学 一种基于grabcut算法的交互式图像分割与融合方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010138645A2 (en) * 2009-05-29 2010-12-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Blood vessel segmentation with three-dimensional spectral domain optical coherence tomography
US20110007957A1 (en) * 2009-07-09 2011-01-13 Canon Kabushiki Kaisha Imaging apparatus and control method therefor
CN101951511A (zh) * 2010-08-19 2011-01-19 深圳市亮信科技有限公司 一种通过分析深度进行视频场景分层的方法
WO2014143891A1 (en) * 2013-03-15 2014-09-18 University Of Iowa Research Foundation Automated separation of binary overlapping trees
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104881862A (zh) * 2015-04-03 2015-09-02 南通大学 一种基于眼底镜图像的视网膜血管迂曲度计算方法及其应用
US20160345819A1 (en) * 2015-05-27 2016-12-01 The Regents Of The University Of Michigan Optic disc detection in retinal autofluorescence images
CN105069790A (zh) * 2015-08-06 2015-11-18 潍坊学院 一种齿轮外观缺陷快速影像检测方法
CN105354248A (zh) * 2015-10-19 2016-02-24 南通大学 基于灰度的分布式图像底层特征识别方法及***
CN106340027A (zh) * 2016-08-26 2017-01-18 西北大学 一种基于图像超分辨率的书法背景重建方法
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及***
CN106570871A (zh) * 2016-11-02 2017-04-19 天津大学 模糊c均值颈动脉超声图像内中膜厚度测量方法及***
CN107133959A (zh) * 2017-06-12 2017-09-05 上海交通大学 一种快速的血管边界三维分割方法及***
CN107730528A (zh) * 2017-10-28 2018-02-23 天津大学 一种基于grabcut算法的交互式图像分割与融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S. ROYCHOWDHURY等: "Blood vessel segmentation of fundus images by major vessel extraction and subimage classification", 《IEEE J. BIOMED. HEALTH INFORM》 *
朱承璋等: "彩色眼底图像视网膜血管分割方法研究进展", 《计算机辅助设计与图形学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311625A (zh) * 2018-09-09 2020-06-19 深圳硅基仿生科技有限公司 图像处理方法和图像处理装置
CN110009626A (zh) * 2019-04-11 2019-07-12 北京百度网讯科技有限公司 用于生成图像的方法和装置
CN110503704A (zh) * 2019-08-27 2019-11-26 北京迈格威科技有限公司 三分图的构造方法、装置和电子设备

Also Published As

Publication number Publication date
CN108230341B (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
William et al. A review of image analysis and machine learning techniques for automated cervical cancer screening from pap-smear images
Hasan et al. DRNet: Segmentation and localization of optic disc and Fovea from diabetic retinopathy image
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
Akram et al. Automated detection of exudates and macula for grading of diabetic macular edema
Harangi et al. Automatic exudate detection by fusing multiple active contours and regionwise classification
Jitpakdee et al. A survey on hemorrhage detection in diabetic retinopathy retinal images
CN108986106A (zh) 面向青光眼临床诊断的视网膜血管自动分割方法
Sarwar et al. Segmentation of cervical cells for automated screening of cervical cancer: a review
Zhang et al. Microaneurysm (MA) detection via sparse representation classifier with MA and Non-MA dictionary learning
CN108230341A (zh) 一种基于分层抠图算法的眼底图像血管分割方法
Hao et al. Anterior chamber angles classification in anterior segment OCT images via multi-scale regions convolutional neural networks
Wollmann et al. Multi-channel deep transfer learning for nuclei segmentation in glioblastoma cell tissue images
Shojaeipour et al. Using image processing methods for diagnosis diabetic retinopathy
Hashim et al. Optic disc boundary detection from digital fundus images
Sreng et al. Feature extraction from retinal fundus image for early detection of diabetic retinopathy
San et al. Constrained-MSER detection of retinal pathology
Honale et al. A review of methods for blood vessel segmentation in retinal images
Holbura et al. Retinal vessels segmentation using supervised classifiers decisions fusion
Gupta et al. A survey on methods of Automatic Detection of Diabetic Retinopathy
Nikam Early stage diagnosis of eye herpes (NAGIN) by machine learning and image processing technique: detection and recognition of eye herpes (NAGIN) by using CAD system analysis
Saini et al. (m) slae-net: Multi-scale multi-level attention embedded network for retinal vessel segmentation
Khan et al. Diabetic retinopathy detection by image processing algorithms and machine learning technique
Yamada et al. Automatic detection of microaneurysms in fundus images
Gowsalya et al. Segmentation and classification of features in retinal images
Fang et al. Glaucoma multi-classification using the novel syndrome mechanism-based dual-channel network

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