CN109273081A - 一种眼底扫描自动鉴定*** - Google Patents

一种眼底扫描自动鉴定*** Download PDF

Info

Publication number
CN109273081A
CN109273081A CN201811077083.9A CN201811077083A CN109273081A CN 109273081 A CN109273081 A CN 109273081A CN 201811077083 A CN201811077083 A CN 201811077083A CN 109273081 A CN109273081 A CN 109273081A
Authority
CN
China
Prior art keywords
eyeground
image
original
eye fundus
picture
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
CN201811077083.9A
Other languages
English (en)
Other versions
CN109273081B (zh
Inventor
石慧娟
李仪
穆阳
刘丽珏
蔡昱峰
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.)
Hunan Zixing Intelligent Medical Technology Co Ltd
Original Assignee
Hunan Zixing Intelligent Medical Technology Co Ltd
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 Hunan Zixing Intelligent Medical Technology Co Ltd filed Critical Hunan Zixing Intelligent Medical Technology Co Ltd
Priority to CN201811077083.9A priority Critical patent/CN109273081B/zh
Publication of CN109273081A publication Critical patent/CN109273081A/zh
Application granted granted Critical
Publication of CN109273081B publication Critical patent/CN109273081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种眼底扫描自动鉴定***，包括数据输入单元，数据特征量提取单元，机器学习SVM分类单元、自动识别单元和数据输出单元；所述数据特征量提取单元用于对输入的图片进行处理，得出用于判断是否患有非增殖型糖尿病性视网膜病的特征量；所述机器学习SVM分类单元将标记好的原始眼底图片分为训练组和测试组，得到与非增殖型糖尿病性视网膜病相关特征量的特征值；所述数据输出单元用于输出自动识别单元的判断数据。本发明能够分割出血管和病变区域，并且预测准确NPDR。

Description

一种眼底扫描自动鉴定***
技术领域
本发明属于岩土工程嵌岩桩桩岩接触面研究领域，具体涉及一种眼底扫描自动鉴定***。
背景技术
让设备通过自动识别眼底图像的出血情况来判断NPDR(非增殖型糖尿病性视网膜病)的功能是解决在医资缺乏的有效方法。由于NPDR的主要特征是血斑，对于能够自动识别NPDR主要识别特征是眼底图像中出现血斑。对眼底图像观察发现，NPDR的血斑特征跟眼底图像的血管和杂质的特征非常近似，且渗出物的产生也会对结果产生一定的影响，我们要判断出NPDR就要排除杂质和血管对结果产生的影响，而对血管的分割已经相当成熟。将人工智能的技术植入到现有医疗设备中，使得医疗设备具备自动判定NPDR结果的功能是解决上缺乏有经验医生问题的潜在方法，而利用这一方法的前提设备能够的自动识别NPDR。
当前图像预处理方法涉及到的经典算法已经是相当成熟，然而在解决实际问题中任何一种算法都无法独立胜任。对于对血管的分割算法，阈值分割是最常见的分割算法，然而考虑到算法的自适应性及运算复杂度问题，本发明方法首先采用灰度图，再利用自适应直方图均衡对绿色通道图进行特征增强，接着使用阈值分割对图像进行二值化，然后采用形态学处理和滤波器[Chaudhuri S,Chatterjee S,Katz N,et al.Detection of bloodvessels in retinal images using two-dimensional matched filters[J].MedicalImaging IEEE Transactions on,1989,8(3):263-269]处理二值图像得到血管，最后根据眼底图像的绿色通道的均值、病变区域和血管部分的绿色通道的平均值、二维中值滤波的白色区域与二维中值滤波的黑色区域的比值、眼底图像中除去血管和背景及病变区域区域的绿色通道平均值、病变区域和血管部分与其他区域(除背景区域)平均灰度的差值、病变区域和血管部分与绿色通道的眼底图像的绿色通道平均差值、形态学处理掉的部分与眼底图像的比值；背景区域与形态学处理掉的部分之比、形态学处理部分与眼底图像之比作为特征量得到一个识别结果。有关于眼底影像的这一项研究，大部分研究都是对血管的识别，在1989年Chaudhuri S,Chatterjee S,Katz N等人提出了采用二维匹配滤波器技术来解决有关视网膜血管的自动分割；2015年Chengzhang Zhu,Beiji Zou,Yao Xiang等人提出了运用监督学习技术来解决视网膜血管的分割；而后2016年Gulshan V,Peng L,Coram M等人提出了基于深度学习算法技术来开发与验证视网膜基底照片中糖尿病视网膜病变检测等等。但是当前对NPDR进行识别的指标判断不够准确。
名词解释：
敏感性：就是指其在诊断疾病的时候不漏诊(假阴性)的机会有多大(小)。
特异性：就是指该指标在诊断某疾病时，不误诊(假阳性)的机会有多大(小)。
发明内容
有鉴于此，本发明目的是提供一种眼底扫描自动鉴定***，本发明能够分割出血管和病变区域，并且预测准确NPDR。本发明的10个特征量的运算速度快、实用性强、成本低等优点，且眼底扫描自动鉴定***的操作简单没有临床经验的操作人员也可进行。
为实现上述目的，本发明的眼底扫描自动鉴定***所采用的方案为：
一种眼底扫描自动鉴定***，包括数据输入单元，数据特征量提取单元，机器学习SVM分类单元、自动识别单元和数据输出单元；所述数据输入单元用于输入标记好的原始眼底图片和未标记的原始眼底图片；所述标记好的原始眼底图片即已经注明是否患有非增殖型糖尿病性视网膜病及非增殖型糖尿病性视网膜病轻重程度的图片；所述数据特征量提取单元用于对输入的图片进行处理，得出用于判断是否患有非增殖型糖尿病性视网膜病的特征量；所述机器学习SVM分类单元将标记好的原始眼底图片分为训练组和测试组，得到与非增殖型糖尿病性视网膜病相关特征量的特征值；所述自动识别单元通过器学习SVM分类单元得出的与非增殖型糖尿病性视网膜病相关特征量的特征值，判断未标记的原始眼底图片是否为患有非增殖型糖尿病性视网膜病的原始眼底图片及对应的非增殖型糖尿病性视网膜病的轻重程度；所述数据输出单元用于输出自动识别单元的判断数据。
进一步的改进，所述数据特征量提取单元的处理步骤如下：
步骤一、读入原始眼底图像m_imgSrc，其坐标(i,j)的像素灰度值为m_imgSrc(i,j)，i表示图像行坐标，j表示图像列坐标，并记录原始图像的平均灰度值为mean(imgSrc)，如下式所示：
Z1＝Mean(imgSrc)
(1)
步骤二、取原始图像m_imgSrc的绿色通道，再对绿色通道的图采用自适应直方图均衡进行特征增强；
步骤三、得到血管和病变区域的二值图；
四)根据原始眼底图像m_imgSrc的灰度阈值对特征增强后的图进行阈值处理分割出血管和病变区域得到阈值处理图，并记录阈值处理图的平均灰度mean(graythresh)，如下式所示：
Z2＝Mean(graythresh) (2)
五)对阈值处理图进行处理得到眼底图像中除去血管、背景和病变区域的感兴趣区域图并计算其平均灰度值mean(interest)，如下式所示：
Z3＝Mean(interest) (3)
Z3记录眼底图像中除去血管、背景和病变区域的平均灰度值；
六)将感兴趣区域图进行灰度变换并二值化得到二值图，根据已知信息，得到如下公式所示特征量：
Z4＝Z3-Z2 (4)
Z5＝Z3-Z1 (5)
Z6＝Z5-Z4 (6)
其中Z4表示阈值处理图分割出的病变区域和血管部分后的平均灰度与其他区域平均灰度的差值，Z5阈值处理图分割出的病变区域和血管部分后的平均灰度与眼底图像的平均灰度的差值，Z6为除去背景、血管和病变区域的平均灰度与眼底图像的平均灰度的差值；
步骤四、对步骤三的三)得到的二值结果图进行处理；
对得到的二值图进行灰度倒置和滤波处理，由于眼底图像的灰度不均匀，再对滤波处理的结果图进行形态学处理，得到如下所示的特征量：
其中，RE表示眼底病变区域，BD表示眼底血管，∑A表示整个图像的像素和；(Morphology(RE+BD))表示分割出眼底图像病变区域和血管进行形态学处理过后的图像；∑(Morphology(RE+BD))表示分割出眼底图像病变区域和血管进行形态学处理过后的图像的像素和；
对形态学处理后的图进行二维中值滤波分割得到血管，得到如下所示的特征量：
Imfill_W(A)表示二维中值滤波后白色区域，Imfill_B(A)表示二维中值滤波后黑色区域；∑(Imfill_W(A))表示二维中值滤波后白色区域像素和，∑(Imfill_B(A))表示二维中值滤波后黑色区域像素和；
其中，∑BG表示图像中除去眼底图像的背景区域的像素和，BG表示图像中除去眼底图像的背景区域；
其中，Z1-Z10即为选择的用于判断是否患有非增殖型糖尿病性视网膜病的特征量；
其中原始眼底图像做是否患有非增殖型糖尿病性视网膜病及非增殖型糖尿病性视网膜病轻重程度的标注。
进一步的改进，所述机器学习SVM分类单元通过机器学习SVM分类算法对Z1-Z10十个特征量的特征值进行训练得到得到与非增殖型糖尿病性视网膜病相关特征量的特征值，即得到判断原始眼底图像是否为患有非增殖型糖尿病性视网膜病的原始眼底图片，及判断对应的非增殖型糖尿病性视网膜病的轻重程度的特征量的算法。
进一步的改进，所述机器学习SVM分类单元的训练方法如下：打乱所有标记好的标记好的原始眼底图片及其特征量的特征值；以其中90％的图片为训练组10％为测试组；得到判断原始眼底图像是否为患有非增殖型糖尿病性视网膜病的原始眼底图片特征量的算法。
进一步的改进，还得到判断对应的非增殖型糖尿病性视网膜病的轻重程度的原始眼底图片特征量的算法。
进一步的改进，打乱原始眼底图像并训练五次，记录打乱五次训练结果的的敏感性和特异性。
附图说明：
附图1(a)：一幅正常眼底图像；
附图1(b)：一幅患有轻度NPDR眼底图像；
附图1(c)：一幅患有中度NPDR眼底图像；
附图1(d)：一幅患有重度NPDR眼底图像；
附图2：一幅患有NPDR的灰度图；
附图3：对附图1输出灰度通道图像；
附图4：对附图1输出绿色通道图像；
附图5：附图3的特征增强图像；
附图6：对附图4进行阈值分割的二值图像；
附图7：对附图5进行取反的二值图像；
附图8：附图6的自适应滤波的图像；
附图9：对附图7进行形态学处理的结果图；
附图10：实现自动识别NPDR的流程图；
图11为患有NPDR的图像的显示图；
图12为五次训练，图片分为正常眼底图像和患有NPDR眼底图像的结果；
图13为五次训练，图片分为正常眼底图像、轻度NPDR眼底图像；中度NPDR眼底图像和重度NPDR眼底图像的结果。
具体实施方式
下面通过具体实施例及附图对本发明的眼底扫描自动鉴定***做进一步的详述。
先结合具体实施例及附图，来进一步阐述本发明。
一种眼底扫描自动鉴定***，包括数据输入单元，数据特征量提取单元，机器学习SVM分类单元、自动识别单元和数据输出单元；所述数据输入单元用于输入标记好的原始眼底图片和未标记的原始眼底图片；所述标记好的原始眼底图片即已经注明是否患有非增殖型糖尿病性视网膜病及非增殖型糖尿病性视网膜病轻重程度的图片；所述数据特征量提取单元用于对输入的图片进行处理，得出用于判断是否患有非增殖型糖尿病性视网膜病的特征量；所述机器学习SVM分类单元将标记好的原始眼底图片分为训练组和测试组，得到与非增殖型糖尿病性视网膜病相关特征量的特征值；所述自动识别单元通过器学习SVM分类单元得出的与非增殖型糖尿病性视网膜病相关特征量的特征值，判断未标记的原始眼底图片是否为患有非增殖型糖尿病性视网膜病的原始眼底图片及对应的非增殖型糖尿病性视网膜病的轻重程度；所述数据输出单元用于输出自动识别单元的判断数据。
其中，数据特征量提取单元，的具体处理步骤如下：
如图2所示，读入一副原始眼底图像m_img，数据类型为8bits整数型，图像分辨率为3050×2550，即行像素数目R＝2550，列像素数目C＝3050，其中任意一幅图像像素灰度值的索引方式为：如图2所示，以原图像m_imgSrc为例，其坐标(i,j)的像素灰度值为m_imgSrc(i,j)，i表示图像行坐标，j表示图像列坐标，并记录原始图像的平均灰度值为mean(imgSrc)，如下式所示：
Z1＝Mean(imgSrc) (1)
(3)如附图4，取原始图像m_imgSrc得绿色通道，再对绿色通道的图采用自适应直方图均衡进行特征增强，主要作用是限制噪声的对比度；
(4)对m_imgSrcGreen图采用自适应直方图均衡对图像进行特征增强得到特征增强图，如附图5；
(5)步骤三、得到血管和病变区域的二值图；
一)根据灰度阈值对特征增强后的图进行阈值处理分割出血管和病变区域，并记录阈值处理图的平均灰度mean(graythresh)，如下式所示：
Z2＝Mean(graythresh) (2)
二)对阈值处理的结果图进行处理得到眼底图像中除去血管、背景和病变区域的感兴趣区域图并计算其平均灰度值mean(interest)，如下式所示：
Z3＝Mean(interest) (3)
三)最后将感兴趣区域图进行灰度变换并二值化得到二值图，根据已知信息，可得到如下公式所示特征量：
Z4＝Z3-Z2 (4)
Z5＝Z3-Z1 (5)
Z6＝Z5-Z4 (6)
其中Z4表示本研究通过图像增强利用阈值分割分割出的病变区域和血管部分的平均灰度与其他区域(除背景区域)平均灰度的差值，Z5本研究分割算法分割出为病变区域和血管部分的平均灰度与眼底图像的平均灰度的差值，Z6为除去背景、血管和病变区域的平均灰度与眼底图像的平均灰度的差值。
步骤四、分割得到病变区域、血管的结果图和分割得到血管结果图，如图5所示，并进行如下步骤：
对得到的二值图进行灰度倒置如图6所示，和自适应滤波处理如图7所示，由于眼底图像的灰度不均匀，再对滤波处理的结果图进行形态学处理如图7所示，得到如下所示的特征量：
对形态学处理后的图进行二维中值滤波分割得到血管，可得到如下所示的特征量：
然后机器学习SVM分类单元运行所有数据记录研究数据10个特征量的特征值，并通过机器学习中的SVM对结果进行分析，打乱所有的数据并记录打乱5次的敏感性和特异性：
一)打乱所有图片的数据特征值结果以其中90％的图片为训练组10％为测试组(其中图片分为正常眼底图像和患有NPDR眼底图像)结果如图12所示。
其中分类计算结果如表1所示：
表1(结果中，0表示没有NPDR，1表示有NPDR)
二)打乱所有图片的数据特征值结果以其中90％的图片为训练组10％为测试组(其中图像分为正常眼底图像、轻度NPDR眼底图像、中度NPDR眼底图像和重度NPDR眼底图像)结果如图13所示。
分组结果如表2所示：
表2(其中结果中，0表示中度、1表示重度、2表示正常、3表示轻度)
然后将新的图像根据本发明的特征提取的算法提取新的特征量导入自动识别(带有训练组结果)单元(或眼底装置)。
将计算特征量的算法通过机器学习方法能够根据出血特征自动识别NPDR的技术导入到眼底装置中，令装置起到自动识别NPDR的作用。
以上均为本发明的优选具体实例实施，并不限制本发明的设计思想,对于本领域的设计人员来说，可以有较多的优化与改进，但对于具有本发明的设计思路与原则之内的修改、改进等均应属于本发明的范围，均应受到保护。

Claims (6)

1.一种眼底扫描自动鉴定***，其特征在于：包括数据输入单元，数据特征量提取单元，机器学习SVM分类单元、自动识别单元和数据输出单元；所述数据输入单元用于输入标记好的原始眼底图片和未标记的原始眼底图片；所述标记好的原始眼底图片即已经注明是否患有非增殖型糖尿病性视网膜病及非增殖型糖尿病性视网膜病轻重程度的图片；所述数据特征量提取单元用于对输入的图片进行处理，得出用于判断是否患有非增殖型糖尿病性视网膜病的特征量；所述机器学习SVM分类单元将标记好的原始眼底图片分为训练组和测试组，得到与非增殖型糖尿病性视网膜病相关特征量的特征值；所述自动识别单元通过器学习SVM分类单元得出的与非增殖型糖尿病性视网膜病相关特征量的特征值，判断未标记的原始眼底图片是否为患有非增殖型糖尿病性视网膜病的原始眼底图片及对应的非增殖型糖尿病性视网膜病的轻重程度；所述数据输出单元用于输出自动识别单元的判断数据。
2.如权利要求1所述的眼底扫描自动鉴定***，其特征在于：所述数据特征量提取单元的处理步骤如下：
步骤一、读入原始眼底图像m_imgSrc，其坐标(i,j)的像素灰度值为m_imgSrc(i,j)，i表示图像行坐标，j表示图像列坐标，并记录原始图像的平均灰度值为mean(imgSrc)，如下式所示：
Z1＝Mean(imgSrc) (1)
步骤二、取原始图像m_imgSrc的绿色通道，再对绿色通道的图采用自适应直方图均衡进行特征增强；
步骤三、得到血管和病变区域的二值图；
一)根据原始眼底图像m_imgSrc的灰度阈值对特征增强后的图进行阈值处理分割出血管和病变区域得到阈值处理图，并记录阈值处理图的平均灰度mean(graythresh)，如下式所示：
Z2＝Mean(graythresh) (2)
二)对阈值处理图进行处理得到眼底图像中除去血管、背景和病变区域的感兴趣区域图并计算其平均灰度值mean(interest)，如下式所示：
Z3＝Mean(interest) (3)
Z3记录眼底图像中除去血管、背景和病变区域的平均灰度值；
三)将感兴趣区域图进行灰度变换并二值化得到二值图，根据已知信息，得到如下公式所示特征量：
Z4＝Z3-Z2 (4)
Z5＝Z3-Z1 (5)
Z6＝Z5-Z4 (6)
其中Z4表示阈值处理图分割出的病变区域和血管部分后的平均灰度与其他区域平均灰度的差值，Z5阈值处理图分割出的病变区域和血管部分后的平均灰度与眼底图像的平均灰度的差值，Z6为除去背景、血管和病变区域的平均灰度与眼底图像的平均灰度的差值；
步骤四、对步骤三的三)得到的二值结果图进行处理；
对得到的二值图进行灰度倒置和滤波处理，由于眼底图像的灰度不均匀，再对滤波处理的结果图进行形态学处理，得到如下所示的特征量：
其中，RE表示眼底病变区域，BD表示眼底血管，∑A表示整个图像的像素和；(Morphology(RE+BD))表示分割出眼底图像病变区域和血管进行形态学处理过后的图像；∑(Morphology(RE+BD))表示分割出眼底图像病变区域和血管进行形态学处理过后的图像的像素和；
对形态学处理后的图进行二维中值滤波分割得到血管，得到如下所示的特征量：
Imfill_W(A)表示二维中值滤波后白色区域，Imfill_B(A)表示二维中值滤波后黑色区域；∑(Imfill_W(A))表示二维中值滤波后白色区域像素和，∑(Imfill_B(A))表示二维中值滤波后黑色区域像素和；
其中，∑BG表示图像中除去眼底图像的背景区域的像素和，BG表示图像中除去眼底图像的背景区域；
其中，Z1-Z10即为选择的用于判断是否患有非增殖型糖尿病性视网膜病的特征量；
其中原始眼底图像做是否患有非增殖型糖尿病性视网膜病及非增殖型糖尿病性视网膜病轻重程度的标注。
3.如权利要求2所述的种眼底扫描自动鉴定***，其特征在于：所述机器学习SVM分类单元通过机器学习SVM分类算法对Z1-Z10十个特征量的特征值进行训练得到得到与非增殖型糖尿病性视网膜病相关特征量的特征值，即得到判断原始眼底图像是否为患有非增殖型糖尿病性视网膜病的原始眼底图片，及判断对应的非增殖型糖尿病性视网膜病的轻重程度的特征量的算法。
4.如权利要求3所述的种眼底扫描自动鉴定***，其特征在于：所述机器学习SVM分类单元的训练方法如下：打乱所有标记好的标记好的原始眼底图片及其特征量的特征值；以其中90％的图片为训练组10％为测试组；得到判断原始眼底图像是否为患有非增殖型糖尿病性视网膜病的原始眼底图片特征量的算法。
5.如权利要求4所述的种眼底扫描自动鉴定***，其特征在于：还得到判断对应的非增殖型糖尿病性视网膜病的轻重程度的原始眼底图片特征量的算法。
6.如权利要求4或5所述的种眼底扫描自动鉴定***，其特征在于：打乱原始眼底图像并训练五次，记录打乱五次训练结果的的敏感性和特异性。
CN201811077083.9A 2018-09-15 2018-09-15 一种眼底扫描自动鉴定*** Active CN109273081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811077083.9A CN109273081B (zh) 2018-09-15 2018-09-15 一种眼底扫描自动鉴定***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811077083.9A CN109273081B (zh) 2018-09-15 2018-09-15 一种眼底扫描自动鉴定***

Publications (2)

Publication Number Publication Date
CN109273081A true CN109273081A (zh) 2019-01-25
CN109273081B CN109273081B (zh) 2021-10-12

Family

ID=65188457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811077083.9A Active CN109273081B (zh) 2018-09-15 2018-09-15 一种眼底扫描自动鉴定***

Country Status (1)

Country Link
CN (1) CN109273081B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2016132115A1 (en) * 2015-02-16 2016-08-25 University Of Surrey Detection of microaneurysms
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2016132115A1 (en) * 2015-02-16 2016-08-25 University Of Surrey Detection of microaneurysms
CN106530283A (zh) * 2016-10-20 2017-03-22 北京工业大学 一种基于svm的医疗图像血管识别方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHAH, SYED AYAZ ALI: "Blood vessel segmentation in color fundus images based on regional and Hessian features", 《GRAEFES ARCHIVE FOR CLINICAL AND EXPERIMENTAL OPHTHALMOLOGY》 *
YONGCHUAN TANG: "Segmentation of Retinal Blood Vessel by Merging Shape, Region and Edge Information", 《2012 INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING AND BIOTECHNOLOGY (ICBEB)》 *
潘燕红: "基于SVM的眼底图像硬性渗出检测", 《计算机与现代化》 *
翟丽红: "一种视网膜眼底图像血管分割方法", 《电子技术与软件工程》 *

Also Published As

Publication number Publication date
CN109273081B (zh) 2021-10-12

Similar Documents

Publication Publication Date Title
CN108615051B (zh) 基于深度学习的糖尿病视网膜图像分类方法及***
Ramasamy et al. Detection of diabetic retinopathy using a fusion of textural and ridgelet features of retinal images and sequential minimal optimization classifier
Narasimha-Iyer et al. Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy
Cheng et al. Superpixel classification based optic disc and optic cup segmentation for glaucoma screening
US9684959B2 (en) Methods and systems for automatic location of optic structures in an image of an eye, and for automatic retina cup-to-disc ratio computation
US20170161545A1 (en) Image analysis systems and related methods
Zong et al. U-net based method for automatic hard exudates segmentation in fundus images using inception module and residual connection
Ghosh et al. Automatic bleeding detection in wireless capsule endoscopy based on RGB pixel intensity ratio
Wong et al. Learning-based approach for the automatic detection of the optic disc in digital retinal fundus photographs
Xiong et al. Automatic cataract classification based on multi-feature fusion and SVM
Kundu et al. Probability density function based modeling of spatial feature variation in capsule endoscopy data for automatic bleeding detection
Shehryar et al. Improved automated detection of glaucoma by correlating fundus and SD‐OCT image analysis
Borwankar et al. Improved glaucoma diagnosis using deep learning
CN109273081A (zh) 一种眼底扫描自动鉴定***
Xue et al. Automatic extraction of mosaic patterns in uterine cervix images
Bhaisare et al. Diabetic retinopathy diagnosis using image mining
Zhang et al. Abnormal region detection in gastroscopic images by combining classifiers on neighboring patches
Mei et al. Optic disc segmentation method based on low rank matrix recovery theory
Bhardwaj et al. A computational framework for diabetic retinopathy severity grading categorization using ophthalmic image processing
Singhal et al. Detection of Diabetic Retinopathy using Machine Learning
Xia et al. A multi-scale gated network for retinal hemorrhage detection
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
Sutradhar Deep Learning based Novel Anomaly Detection Methods for Diabetic Retinopathy Screening
Deperlioglu Diagnosing glaucoma with optic disk segmenting and deep learning from color retinal fundus images
Shabbir et al. Detection of Glaucoma using ORB (Oriented FAST and Rotated BRIEF) Feature Extraction

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