CN108416371A - 一种糖尿病性视网膜病变自动检测方法 - Google Patents
一种糖尿病性视网膜病变自动检测方法 Download PDFInfo
- Publication number
- CN108416371A CN108416371A CN201810142313.9A CN201810142313A CN108416371A CN 108416371 A CN108416371 A CN 108416371A CN 201810142313 A CN201810142313 A CN 201810142313A CN 108416371 A CN108416371 A CN 108416371A
- Authority
- CN
- China
- Prior art keywords
- eye fundus
- fundus image
- feature
- image
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种糖尿病性视网膜病变自动检测方法,该方法首先对医学眼底图像进行预处理,生成每张眼底图像所对应的特征向量;接着基于眼底图像对应的特征向量应用聚类算法对所有眼底图像进行聚类,定义为不同模式的眼底图像;再基于不同病变时期、不同模式的眼底图像对应的特征向量建立参考特征空间,获得其在参考特征空间中的特征编码;最后通过计算待检测眼底图像与带标签眼底图像特征编码之间的余弦相似度实现对糖尿病性视网膜病变的自动检测。本发明基于网上可爬取到的视网膜眼底图像及标签,结合图像聚类算法,建立不同病变时期、不同模式视网膜眼底图像的参考特征空间及其特征编码映射,有效地提高了糖尿病视网膜病变自动检测的准确性和时效性。
Description
技术领域
本发明属于图像识别技术领域,更为具体地讲,涉及一种糖尿病性视网膜病变自动检测方法
背景技术
糖尿病是一种世界范围的疾病,可以导致许多并发症,截止目前全球共有4.15亿人患糖尿病,并仍呈上升趋势,预计2040年该数字将会达到6.42亿,我国糖尿病患者就占了全球比例的1.5亿。其中糖尿病性视网膜病变是糖尿病最为严重的并发症之一,是高血糖导致血管受损引起的,可以表现出一系列的症状,如微血管瘤、出血和渗出物等。
糖尿病性视网膜病变应尽早诊断,尽早治疗。视网膜病变筛查是一种有效、低成本的重要早期诊断手段。目前,视网膜病变筛查主要采用眼底相机拍照,根据拍摄得到的彩色图像进行糖尿病性视网膜病变的病灶的诊断。
目前,糖尿病性视网膜病变检测是一个手动且十分耗时的过程,这需要一个很有经验的临床医生检查和评估视网膜的数字彩色眼底照片,但评估过程至少需要一到两天时间,导致的结果就是与患者沟通不畅,延误治疗。同时所需的专业知识和设备在糖尿病患病率高的地方极度匮乏。随着糖尿病患者人数的不断增长,预防导致失明的视网膜病变基础设施将变得更加不足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种糖尿病性视网膜病变自动检测方法,基于不同模式眼底图像进行检测,以提高视网膜病变检测的准确性和时效性。
为实现上述发明目的,本发明糖尿病性视网膜病变自动检测方法,包括以下步骤:
(1)、通过眼底图像预处理,根据Hough变换提取眼球轮廓,设定外界矩阵大小,并通过缩放与裁剪,将图像规格化为统一大小图片,实现眼球轮廓对齐;
1.1)、通过Hough变换,检测眼底图像的眼球轮廓。Hough圆检测的原理是:检测图像中的边缘点,并保存其坐标位置(x,y);设置角度theta的变化范围和步长,半径r的变换范围和步长,利用公式x=a+rcos(theta),y=b+rsin(theta)求出对应的圆心坐标(a,b);
1.2)、确定眼球轮廓外接矩阵的大小,对数据集中的所有图像进行等比例缩放;
1.3)对缩放后的图像进行裁剪,实现眼球的轮廓对齐;
(2)、利用多层卷积神经网络模型提取每张眼底图像的深度特征,并用PCA技术对所有提取的眼底图像的深度特征进行降维,生成每张眼底图像所对应的特征向量;
2.1)根据步骤1获取裁剪后的图像,将眼底图像像素值向量输入CNN网络。
2.2)使用初始化的多个卷积核堆输入图像做卷积,得到卷积特征图像。
2.3)对卷积层得到的卷积特征图像作最大池采样,获得maxpooling后的特征图像,若下一层是卷积层,则对下一层网络执行步骤2,否则执行步骤4;
2.4)执行全连接运算,和普通神经网络相同,节点激活值为Wx+b;
2.5)若到达最后一层,则将该层特征应用PCA技术进行降维,得到的特征向量记为x,否则对下一层继续执行步骤4的操作;
(3)、基于眼底图像对应的特征向量应用聚类算法对所有眼底图像进行聚类,将所聚每一类的眼底图像定义为不同模式的眼底图像;
根据步骤(2)中降维后得到的特征向量,应用聚类算法对眼底图像数据进行聚类,生成m种不同模式的眼底图像;
(4)、基于不同病变时期、不同模式提取的眼底图像所对应的特征向量建立参考特征空间;
4.1)、计算相同病变时期、同模式下的不同眼底图像对应的d维特征向量x的平均值,记为形成一组普适化的特征描述,公式如下:
其中,是参考空间中病变时期i在模式j下的特征表示,n是视网膜眼底图像的病变时期数,m是眼底图像聚类后生成的模式个数,Nij是病变时期i在模式j下总的图像数。为方便描述,定义:
4.2)、根据步骤(1)将待识别的眼底图像进行眼球轮廓的检测,并根据步骤(2)获取眼底图像对应的特征向量x′;
4.3)、为获取眼底图像在参考空间的特征表示定义如下目标函数:
其中[·]T表示矩阵的转置 是正则化参数;
4.4)、根据步骤4.2的目标函数在极值下取得最优解,得到眼底图像在参考空间的特征表示:
令投影矩阵对于一组待识别眼底图像提取的特征可以利用该投影矩阵高效地映射到参考空间。
(5)、对于待检测的眼底图像,提取该张眼底图像所对应的特征向量,并通过映射获得其在参考特征空间中的特征编码,具体步骤如下:
5.1)、根据步骤(4)计算的投影矩阵求出眼底图像在参考空间的特征表示
其中
5.2)、根据对处于某病变时期i,对不同模式j的参考空间特征表示采用最大池化:
5.3)根据不同病变时期i的特征表示αi求得眼底图像a的跨模式特征的最终特征编码:
Da=[α1,…,αn]
(6)、使用余弦相似度计算待检测眼底图像与带标签眼底图像特征编码之间的余弦相似度,实现对糖尿病性视网膜病变的自动检测。
根据步骤(5)计算的最终特征,采用余弦相似度进行图像的匹配与检测,最终确定具体的糖尿病性视网膜病变类型,余弦相似度公式如下:
取与图像a相似度最高的图像,以该图像的标签来判断图像a的糖尿病性视网膜病变类型。
本发明的目的是这样实现的。
本发明糖尿病性视网膜病变自动检测方法,可应用于不同病变时期糖尿病性视网膜病变的大规模自动检测。该方法首先对医学眼底图像进行预处理,实现眼底图像中眼球轮廓的对齐;然后利用多层卷积神经网络模型提取眼底图像的深度特征,并用PCA技术进行降维,生成每张眼底图像所对应的特征向量;接着基于眼底图像对应的特征向量应用聚类算法对所有眼底图像进行聚类,将所聚每一类的眼底图像定义为不同模式的眼底图像;再基于不同病变时期、不同模式的眼底图像对应的特征向量建立参考特征空间,并将待检测的眼底图像通过映射获得其在参考特征空间中的特征编码;最后通过计算待检测眼底图像与带标签眼底图像特征编码之间的余弦相似度实现对糖尿病性视网膜病变的自动检测。本发明基于网上可爬取到的视网膜眼底图像及标签,结合图像聚类算法,建立不同病变时期、不同模式视网膜眼底图像的参考特征空间及其特征编码映射,有效地提高了糖尿病视网膜病变自动检测的准确性和时效性。
附图说明
图1是本发明糖尿病性视网膜病变自动检测方法一种具体实施方式流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
图1是本发明糖尿病性视网膜病变自动检测方法一种具体实施方式流程图。
在本实施例,如图1所示,本发明糖尿病性视网膜病变自动检测方法,包括如下几个部分:
数据获取,构造数据集。我们从网上爬取到了88702张视网膜的图像,包含没有病变的眼底图像和不同程度病变的眼底图像。其中将数据分成3个部分,训练集50%,验证集25%,测试集25%。训练集用于模型训练和构造参考空间,测试集用于检测模型效果,验证集用于确定模型参数。经过实验,PCA降维中PCA特征维度d=512,聚类模式m=10,糖尿病性视网膜病变期数n=5,目标函数的正则化参数这些参数确定使得实验有一个较高的准确率和召回率。
眼底图像预处理构建单元,实现眼球轮廓对齐;获取眼底图像深度特征构建单元,利用多层卷积神经网络模型提取每张眼底图像的深度特征,并用PCA技术对所有提取的眼底图像的深度特征进行降维,生成每张眼底图像所对应的特征向量;眼底图像聚类构建单元,基于眼底图像对应的特征向量应用聚类算法对所有眼底图像进行聚类,将所聚每一类的眼底图像定义为不同模式的眼底图像;参考特征空间构建单元,基于不同病变时期、不同模式提取的特征向量建立参考特征空间;计算待检测图像最终的映射特征构建单元,对于待检测的眼底图像,应用步骤(2)提取该张眼底图像所对应的特征向量,并通过映射获得其在参考特征空间中的特征编码;眼底图像自动检测构建单元,获取最终的特征编码后,使用余弦相似度进行图像自动检测。其步骤如下:
S1:构建眼球预处理模块。通过眼底图像预处理,根据Hough变换提取眼球轮廓,实现眼球轮廓对齐。本实例中采取的数据集为Kaggle竞赛题目提供的眼底图像数据集,标签分为5期,分别是:0期:未发生糖尿病性视网膜病变。1期:眼底图像产生微血管瘤和出血点。2期:眼底图像产生渗出物及出血斑。3期:眼底图像视网膜新生血管形成或玻璃体出血。4期:新生血管形成并可见纤维增殖。原始图像大小为4752×3168,数据集共35126张图像。由于从互联网上爬取的视网膜眼底病变图像数据集本身存在着很多干扰信息以及图像与图像之间并没有对齐,为了获得更好的检索效果,需要对眼底图像进行预处理,实现眼球轮廓的对齐,流程如下:
S1:1.1)通过Hough变换,检测眼底图像的眼球轮廓。Hough圆检测的原理是:检测
图像中的边缘点,并保存其坐标位置(x,y)。调整角度theta的变化范围和步长,半径r的变换范围和步长,利用公式x=a+rcos(theta),y=b+rsin(theta)求出对应的圆心坐标(a,b),圆的公式为(x-a)2+(y-b)2=r2。
1.2)确定眼球轮廓外接矩阵的大小,这里外接矩阵大小设为500×500,对数据集中的所有图像进行等比例缩放。
1.3)对缩放后的图像进行裁剪,裁剪后的图像大小为227×227,实现眼球的轮廓对齐。
S2:构建获取眼底图像深度特征模块。利用多层卷积神经网络模型提取每张眼底图像的深度特征,并用PCA技术对所有提取的眼底图像的深度特征进行降维,生成每张眼底图像所对应的特征向量。
2.1)根据步骤1获取裁剪后的图像,将227×227眼底图像的像素值向量输入CNN网络,网络模型采用AlexNet。
2.2)使用初始化的多个卷积核堆输入图像做卷积,得到卷积特征图像。
2.3)对卷积层得到的卷积特征图像作最大池采样,获得maxpooling后的特征图像,
若下一层是卷积层,则对下一层网络执行步骤2,否则执行步骤4。
2.4)执行全连接运算,和普通神经网络相同,节点激活值为Wx+b。
2.5)若到达最后一层,则将该层特征应用PCA技术进行降维,得到的特征向量记为x,维度为256维,否则对下一层继续执行步骤4的操作。
S3:构建眼底图像聚类模块。基于眼底图像对应的特征向量应用K-means聚类算法对所有眼底图像进行聚类,将所聚每一类的眼底图像定义为不同模式的眼底图像。
3.1)根据步骤2中提取到的特征向量,进行K-means聚类,生成m类不同模式的眼底
图像,根据实验,m取10,效果较好。K-means算法流程如下:
a)随机选取m个眼底图像特征点数据作为初始簇的质心;
b)计算数据对象与各个簇的质心的距离,将对象分配到距离其最近的质心所代表的簇;
c)重新计算各个簇的数据对象的平均值
d)若每个簇的质心都不再变化,或者指定的收敛准则已经得到满足,则返回划分结果,否则转步骤b),继续重复迭代。
S4:构建参考特征空间。本发明基于不同病变时期、不同模式的特征向量建立参考特征空间。
4.1)计算相同病变时期、同模式下的不同眼底图像对应的d维特征向量x的平均值,
记为形成一组普适化的特征描述,公式如下:
其中,是参考空间中病变时期i在模式j下的特征表示,n是视网膜眼底图像的病变时期数,m是眼底图像聚类后生成的模式个数,Nij是病变时期i在模式j下总的图像数。为方便描述,定义:
4.2)根据步骤(1)将待识别的眼底图像进行眼球轮廓的检测,并根据步骤(2)获取眼底图像对应的特征向量x′。
4.3)为获取眼底图像在参考空间的特征表示定义如下目标函数:
其中[·]T表示矩阵的转置。 是正则化参数。
4.4)根据步骤4.2的目标函数在极值下取得最优解,得到眼底图像在参考空间的特征表示
令投影矩阵对于一组待识别眼底图像提取的特征可以利用该投影矩阵高效地映射到参考空间。
S5:构建特征编码模块。待检测的眼底图像,应用步骤(2)提取该张眼底图像所对应的特征向量,并通过映射获得其在参考特征空间中的特征编码。
5.1)根据步骤(4)计算的投影矩阵求出眼底图像在参考空间的特征表示
其中
5.2)根据对处于某病变时期i,对不同模式j的参考空间特征表示采用最大池化:
5.3)根据不同病变时期i的特征表示αi求得眼底图像a的跨模式特征的最终特征编码:
Da=[α1,…,αn]
S6:构建图像检测模块。获取最终的特征编码后,使用余弦相似度进行图像自动检测。
6.1)根据步骤(5)计算的最终特征,采用余弦相似度进行图像的匹配与检测,最终确定具体的糖尿病性视网膜病变类型,余弦相似度公式如下:
取与图像a相似度最高的图像,以该图像的标签来判断图像a的糖尿病性视网膜病变类型。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种糖尿病性视网膜病变自动检测方法,其特征在于,包括以下步骤:
(1)、通过眼底图像预处理,根据Hough变换提取眼球轮廓,设定外界矩阵大小,并通过缩放与裁剪,将图像规格化为统一大小图片,实现眼球轮廓对齐;
(2)、利用多层卷积神经网络模型提取每张眼底图像的深度特征,并用PCA技术对所有提取的眼底图像的深度特征进行降维,生成每张眼底图像所对应的特征向量;
(3)、基于眼底图像对应的特征向量应用聚类算法对所有眼底图像进行聚类,将所聚每一类的眼底图像定义为不同模式的眼底图像;
(4)、基于不同病变时期、不同模式的眼底图像对应的特征向量建立参考特征空间;
(5)、对于待检测的眼底图像,应用步骤(2)提取该张眼底图像所对应的特征向量,并通过映射获得其在参考特征空间中的特征编码;
(6)、使用余弦相似度计算待检测眼底图像与带标签眼底图像特征编码之间的余弦相似度实现对糖尿病视网膜病变的自动检测。
2.根据权利要求1所述的基于眼底图像的糖尿病性视网膜病变自动检测方法,其特征在于,步骤(4)中基于不同病变时期、不同模式的眼底图像对应的特征向量建立参考特征空间,具体步骤如下:
4.1)、计算相同病变时期、同模式下的不同眼底图像对应的d维特征向量x的平均值,记为形成一组普适化的特征描述,公式如下:
j=1,…,m
其中,是参考空间中病变时期i在模式j下的特征表示,n是视网膜眼底图像的病变时期数,m是眼底图像聚类后生成的模式个数,Nij是病变时期i在模式j下总的图像数;为方便描述,定义:
4.2)、根据步骤(1)将待识别的眼底图像进行眼球轮廓的检测,并根据步骤(2)获取眼底图像对应的特征向量x′;
4.3)、为获取眼底图像在参考空间的特征表示定义如下目标函数:
其中[.]T表示矩阵的转置;是正则化参数;
4.4)根据步骤4.2的目标函数在极值下取得最优解,得到眼底图像在参考空间的特征表示:
令投影矩阵对于一组待识别眼底图像提取的特征可以利用该投影矩阵高效地映射到参考空间。
3.根据权利要求1所述的基于眼底图像的糖尿病性视网膜病变自动检测方法,其特征在于,步骤(5)中对于待检测的眼底图像,应用步骤(2)提取该张眼底图像所对应的特征向量,并通过映射获得其在参考特征空间中的特征编码;具体步骤如下:
5.1)、根据步骤(4)计算的投影矩阵求出眼底图像在参考空间的特征表示其中
5.2)根据对处于某病变时期i,对不同模式j的参考空间特征表示采用最大池化:
5.3)根据不同病变时期i的特征表示αi求得眼底图像a的跨模式特征的最终特征编码:
Da=[α1,…,αn]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810142313.9A CN108416371A (zh) | 2018-02-11 | 2018-02-11 | 一种糖尿病性视网膜病变自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810142313.9A CN108416371A (zh) | 2018-02-11 | 2018-02-11 | 一种糖尿病性视网膜病变自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108416371A true CN108416371A (zh) | 2018-08-17 |
Family
ID=63128611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810142313.9A Pending CN108416371A (zh) | 2018-02-11 | 2018-02-11 | 一种糖尿病性视网膜病变自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416371A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616168A (zh) * | 2018-12-14 | 2019-04-12 | 北京工业大学 | 一种基于电子病历的医疗领域智能管理模型构建方法 |
CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技(深圳)有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
CN110176298A (zh) * | 2019-05-31 | 2019-08-27 | 南通大学 | 用于糖尿病性眼底图像分类的核主成分谱哈希方法 |
CN110459299A (zh) * | 2019-07-10 | 2019-11-15 | 中山大学 | 一种视网膜眼底彩色照片图像筛选方法 |
CN111102920A (zh) * | 2019-12-18 | 2020-05-05 | 佛山科学技术学院 | 一种基于增强现实的机械组件质检方法及*** |
CN111222361A (zh) * | 2018-11-23 | 2020-06-02 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN112102343A (zh) * | 2020-08-12 | 2020-12-18 | 海南大学 | 基于超声图像的ptc诊断*** |
CN115775410A (zh) * | 2023-02-13 | 2023-03-10 | 博奥生物集团有限公司 | 一种眼象数据的处理方法、***、存储介质及电子设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095902A (zh) * | 2014-05-23 | 2015-11-25 | 华为技术有限公司 | 图片特征提取方法及装置 |
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*** |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106778863A (zh) * | 2016-12-12 | 2017-05-31 | 武汉科技大学 | 基于Fisher判别字典学习的仓库货品识别方法 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
US20170243084A1 (en) * | 2015-11-06 | 2017-08-24 | The Regents Of The University Of California | Dsp-sift: domain-size pooling for image descriptors for image matching and other applications |
CN107169415A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于卷积神经网络特征编码的人体动作识别方法 |
CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和*** |
CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析***以及存储介质 |
-
2018
- 2018-02-11 CN CN201810142313.9A patent/CN108416371A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095902A (zh) * | 2014-05-23 | 2015-11-25 | 华为技术有限公司 | 图片特征提取方法及装置 |
CN107209933A (zh) * | 2014-08-25 | 2017-09-26 | 新加坡科技研究局 | 用于评估视网膜图像以及从视网膜图像获得信息的方法和*** |
US20170243084A1 (en) * | 2015-11-06 | 2017-08-24 | The Regents Of The University Of California | Dsp-sift: domain-size pooling for image descriptors for image matching and other applications |
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*** |
CN105608425A (zh) * | 2015-12-17 | 2016-05-25 | 小米科技有限责任公司 | 对照片进行分类存储的方法及装置 |
CN106254720A (zh) * | 2016-07-19 | 2016-12-21 | 四川大学 | 一种基于联合正则化的视频超分辨率重建方法 |
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN106845510A (zh) * | 2016-11-07 | 2017-06-13 | 中国传媒大学 | 基于深度层级特征融合的中国传统视觉文化符号识别方法 |
CN106778863A (zh) * | 2016-12-12 | 2017-05-31 | 武汉科技大学 | 基于Fisher判别字典学习的仓库货品识别方法 |
CN107169415A (zh) * | 2017-04-13 | 2017-09-15 | 西安电子科技大学 | 基于卷积神经网络特征编码的人体动作识别方法 |
CN107239795A (zh) * | 2017-05-19 | 2017-10-10 | 西安电子科技大学 | 基于稀疏自编码器和卷积神经网络的sar图像变化检测***及方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析***以及存储介质 |
Non-Patent Citations (4)
Title |
---|
RAMON PIRES 等: "Automated Multi-Lesion Detection for Referable Diabetic Retinopathy in Indigenous Health Care", 《PLOS ONE》 * |
WEI ZHOU 等: "Automatic Microaneurysm Detection Using the Sparse Principal Component Analysis-Based Unsupervised Classification Method", 《IEEE ACCESS》 * |
伍云霞 等: "基于最大池化稀疏编码的煤岩识别方法", 《工程科学学报》 * |
梁平 等: "糖尿病视网膜病变眼底图像分类方法", 《深圳大学学报理工版》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222361A (zh) * | 2018-11-23 | 2020-06-02 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN111222361B (zh) * | 2018-11-23 | 2023-12-19 | 福州依影健康科技有限公司 | 一种高血压视网膜血管改变特征数据分析的方法和*** |
CN109616168A (zh) * | 2018-12-14 | 2019-04-12 | 北京工业大学 | 一种基于电子病历的医疗领域智能管理模型构建方法 |
CN110163844A (zh) * | 2019-04-17 | 2019-08-23 | 平安科技(深圳)有限公司 | 眼底病灶检测方法、装置、计算机设备及存储介质 |
CN110176298A (zh) * | 2019-05-31 | 2019-08-27 | 南通大学 | 用于糖尿病性眼底图像分类的核主成分谱哈希方法 |
CN110459299A (zh) * | 2019-07-10 | 2019-11-15 | 中山大学 | 一种视网膜眼底彩色照片图像筛选方法 |
CN110459299B (zh) * | 2019-07-10 | 2023-06-27 | 中山大学 | 一种视网膜眼底彩色照片图像筛选方法 |
CN111102920A (zh) * | 2019-12-18 | 2020-05-05 | 佛山科学技术学院 | 一种基于增强现实的机械组件质检方法及*** |
CN112102343A (zh) * | 2020-08-12 | 2020-12-18 | 海南大学 | 基于超声图像的ptc诊断*** |
CN112102343B (zh) * | 2020-08-12 | 2024-03-29 | 海南大学 | 基于超声图像的ptc诊断*** |
CN115775410A (zh) * | 2023-02-13 | 2023-03-10 | 博奥生物集团有限公司 | 一种眼象数据的处理方法、***、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416371A (zh) | 一种糖尿病性视网膜病变自动检测方法 | |
CN106408564B (zh) | 一种基于深度学习的眼底图像处理方法、装置及*** | |
CN107423571B (zh) | 基于眼底图像的糖尿病视网膜病变识别*** | |
CN106682389B (zh) | 一种用于监控高血压引发的眼部病变健康管理*** | |
CN108470359A (zh) | 一种糖尿病性视网膜眼底图像病变检测方法 | |
CN109493954A (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
WO2018201632A1 (zh) | 用于识别眼底图像病变的人工神经网络及*** | |
CN109325942A (zh) | 基于全卷积神经网络的眼底图像结构分割方法 | |
Wang et al. | Central and peripheral vision for scene recognition: A neurocomputational modeling exploration | |
Li et al. | Automatic cataract diagnosis by image-based interpretability | |
CN109784337A (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
Koh et al. | Automated detection of retinal health using PHOG and SURF features extracted from fundus images | |
CN108230296A (zh) | 图像特征的识别方法和装置、存储介质、电子装置 | |
CN109726743B (zh) | 一种基于三维卷积神经网络的视网膜oct图像分类方法 | |
CN108986106A (zh) | 面向青光眼临床诊断的视网膜血管自动分割方法 | |
CN107680683A (zh) | 一种ai眼部健康评估方法 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
CN107563996B (zh) | 一种新型视神经盘分割方法及*** | |
CN108108757A (zh) | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 | |
CN109691979A (zh) | 一种基于深度学习的糖尿病视网膜图像病变分类方法 | |
CN104182723B (zh) | 一种视线估计的方法和装置 | |
Chakraborty et al. | Pneumonia and eye disease detection using convolutional neural networks | |
CN109671049A (zh) | 一种医学图像处理方法、***、设备、存储介质 | |
CN109859139A (zh) | 彩色眼底图像的血管增强方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180817 |