CN109978819A - 一种基于低尺度血管检测分割视网膜血管的方法 - Google Patents

一种基于低尺度血管检测分割视网膜血管的方法 Download PDF

Info

Publication number
CN109978819A
CN109978819A CN201910058161.9A CN201910058161A CN109978819A CN 109978819 A CN109978819 A CN 109978819A CN 201910058161 A CN201910058161 A CN 201910058161A CN 109978819 A CN109978819 A CN 109978819A
Authority
CN
China
Prior art keywords
layer
map
segmentation
layers
lvd
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
CN201910058161.9A
Other languages
English (en)
Other versions
CN109978819B (zh
Inventor
肖志勇
吴鑫鑫
刘辰
宋嵘榕
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.)
Wuxi Bencio Intelligent Technology Co ltd
Jiangnan University
Original Assignee
Anhui Hailang Intelligent Technology Co Ltd
Jiangnan 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 Anhui Hailang Intelligent Technology Co Ltd, Jiangnan University filed Critical Anhui Hailang Intelligent Technology Co Ltd
Priority to CN201910058161.9A priority Critical patent/CN109978819B/zh
Publication of CN109978819A publication Critical patent/CN109978819A/zh
Application granted granted Critical
Publication of CN109978819B publication Critical patent/CN109978819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。第一步：特征提取，本发明用到两个维度的特征矩阵，一个直接来自于彩色视网膜眼底图像的绿色通道。另一个是对用B‑COSFIRE滤波器处理后得到的响应结果。第二步，通过三倍标准差法去掉两个特征矩阵异常值，第三步，LVD模型的设计考虑到多尺度下的特征提取，以及每一层特征的融合，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。本发明的LVD模型融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS‑N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。

Description

一种基于低尺度血管检测分割视网膜血管的方法
技术领域
本发明属于图像识别和医学图像处理领域，涉及一种基于低尺度血管检测的视网膜血管分割方法。
背景技术
报告显示，截止至2017年，全球约4.25亿成人患糖尿病，占总人口的8.8％，预计到2045年，糖尿病患者可能达到6.29亿。2017年全球糖尿病患者(20-79 岁)分布中，中国达到了1.144亿，排在第一位。据评估，全球有多达2.124亿人或所有20-79岁糖尿病患者的一半不知道已患病。并且已知病史的糖尿病患者中，视网膜病变的患病率高达65.2％。视网膜血管的形态、宽度、角度等信息可以直接用来疾病的诊断和筛选，所以早期的检测很重要。
传统的检测需要医生手工标注血管，任务量大，需要耗费近两个小时来完成一张图片的血管分割。为了节约人力，提高效率，需要借助计算机辅助，自动化地分割血管。视网膜血管分割方法主要有两大类，一类是非监督学习的分割方法，另一类是监督学习的分割方法。
非监督学习方法主要是根据血管的某个或者多个特性来提取血管。监督学习的方法主要是事先标记好血管点和背景点，再通过构造好的模型来学习输入到输出间的映射关系，不断调整模型。
这些监督学习的方法，在充足的训练数据和优异的模型下，分割的结果往往比非监督学习的方法更好。
发明内容
本发明为了进一步提高分割精度，提出了一种基于低尺度血管检测分割视网膜血管的方法，该方法采用一种新的模型——低尺度血管检测(Low-scale VesselDetection，LVD)模型，采用端到端的监督学习方法，对眼底视网膜图像的血管进行自动分割。
本发明的技术方案如下：
本发明的输入是个三维矩阵，有两个特征维度。第一个特征矩阵来自彩色视网膜图像的绿色通道，另一个来自B-COSFIRE滤波器的响应结果。采用LVD 模型，并加入非对称固定深度为N的子网络(ADS-N)，得到完整的血管分割网络。在训练过程中，需要与手动分割数据集进行参数的调整。测试过程中，需要对分割的结果二值化。整个流程在图1中显示，下面是具体的步骤：
第一步：特征提取
本发明需要用到两个维度的特征矩阵。一个直接来自于彩色视网膜眼底图像的绿色通道map1。另一个是对map1用B-COSFIRE滤波器处理后得到的响应结果map2。
B-COSFIRE滤波过程如下：
1.1通过DoG滤波器对map1进行处理，得到输入cσ：
其中，外部高斯函数偏差为σ，内部高斯函数标准偏差为0.5σ，符号|·|+表示去负为零，x为像素点的行，y为像素点的列。
1.2 B-COSFIRE滤波器有两种，一种是对称的，用于检测血管主干，另一种是非对称的，用于检测血管末端，如图2所示。
B-COSFIRE滤波器为一个三元组集合其中i指考虑的点的个数，对于图2(a)的对称滤波器，i为5，即标注数字的5个点。其中代表第i个点的极坐标，极坐标的原点在图2中都是标注1的点的位置，也是 B-COSFIRE滤波器的中心。
1.3对S进行模糊移位操作，提高各个点的容错性：
其中σ'＝σ0'+αρi，α、σ'0为常数，G为高斯函数，-3σ'≤x'，y'≤3σ'。
1.4求取集合S中所有三元组的模糊移位的几何平均，公式为：
其中|·|t表示阈值为t时得到的最大响应，0≤t≤1。
1.5为了检测不同方向上的血管，需构造不同方向上的B-COSFIRE滤波器，对不同方向上的B-COSFIRE滤波器响应结果进行融合，得到第二个特征矩阵 map2：
其中，nr代表方向的个数。
第二步：归一化
2.1通过三倍标准差法去掉两个特征矩阵map异常值：
其中，mapi表示第i个特征矩阵，i只有1和2两个值，表示mapi的平均值，ni表示mapi像素个数，σi表示mapi的标准差，<·>±3σ表示限制值的上限为3σ，下限为-3σ.
2.2利用最大最小规范化法，缩放2.1步得到的特征矩阵map'到[0，1]：
mapi”＝MaxMin(mapi')-0.5 (6)
再平移到[-0.5，0.5]的范围，得到归一化后的特征矩阵map”：
将归一化后的特征矩阵 拼接成LVD模型的输入矩阵。
第三步：LVD模型
LVD模型的设计主要考虑到多尺度下的特征提取，以及每一层特征的融合，如图3所示。该模型是整体嵌套网络(Holistically-nested network)的变体，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。
LVD模型包括三个隐藏层、两个侧输出层和一个共享输出层。第一个隐藏层跟输入层直接连接，三个隐藏层为链式，顺序连接。从第二个隐藏层开始，每个隐藏层都单独与一个侧输出层连接。输入数据依次进入三个隐藏层，能得到三个中间特征。后两个隐藏层(hidden layer)单独连接一个输出层(output layer)，用来得到中间特征的侧输出。最后将第一个隐藏层得到的中间特征与两个侧输融合送入共享的输出层得到最后的分割结果。
LVD模型的第一个隐藏层仅有卷积层，用来特征提取，所以该层的中间特征为原尺度。第二个隐藏层除了有卷积层外，还有一个池化层(处在第一层)，所以中间特征为低尺寸。第三个隐藏层与第二个隐藏层结构一样。这样，LVD模型就实现了三个尺度下的特征提取。因为低尺度特征融合前需要统一尺寸，所以两个侧输出层内各含有一个上采样层，从而输出原尺度下的特征。共享输出层中，除了有一个融合层用来融合特征外，还有一个卷积层进行降维，得到只有一个特征维度的分割结果。
为了更好的提取血管特征，尤其是细小的血管特征，本发明设计了非对称固定深度为N的子网络(ADS-N)。ADS-N的结构展示在图4。该子网络包含十个卷积层，每层卷积核都是非对称的，并且深度固定为N。
将ADS-N作为一层加入到LVD模型的每个隐藏层中，得到整个LVD网络。该网络有12层，第0层为输入层，第一个隐藏层中有一个ADS-N层(步长为1) 和一个1×1的卷积层(步长为1)，第二个隐藏层有一个最大池化层(步长为2)和一个ADS-N层(步长为1)，第三个隐藏层跟第二个隐藏层一样。低尺度下的输出层通过反卷积层实现，最后的输出层通过一个连接层和一个1×1的卷积层得到，如图5所示。每个卷积层后跟一个Batch_Norm层来加速收敛和一个Relu 层进行激活。
整个模型的损失函数采用均方误差，对于输出结果y与人工标注y’的均方误差计算如下：
其中n代表像素点的个数，代表平方和。为了防止过拟合，在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：
其中，w表示网络中边上的权重。k表示正则化项的权重。
第四步：二值化
二值化是在测试阶段，对LVD测试结果y进行后处理，得到最后的血管分割结果。先将y通过公式(6)规范化，再采用阈值分割二值化，得到最后的分割结果，其中阈值设置为θ。
本发明的有益效果：
本发明的LVD模型，不仅考虑了低尺度下的特征，而且融合了原尺度的细节特征，使得特征信息不丢失，分割结果更准确；子网络ADS-N有较深的网络，并且卷积核都是非对称的，对细小的血管有很好的检测效果。
附图说明
图1是本发明在血管分割应用上的流程图。
图2(a)是B-COSFIRE对称滤波器。
图2(b)是B-COSFIRE非对称滤波器。
图3是LVD模型。
图4是ADS-N子网络。
图5是LVD网络。
图6是ROC曲线。
图7(a)列是侧视图。
图7(b)列是专家分割图。
图7(c)列是LVD输出结果图。
图7(d)列是二值化分割结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的详细说明。
一种基于低尺度血管检测分割视网膜血管的方法，步骤如下：
第一步：特征提取
第一个特征矩阵直接取彩色视网膜图像的绿色通道map1。
第二个特征来自于B-COSFIRE滤波器的响应结果map2。
B-COSFIRE滤波过程如下：
1.1通过DoG滤波器对map1进行处理，得到构造B-COSFIRE滤波器的输入 cσ。公式为：
其中，外部高斯函数偏差为σ＝2.4，符号|·|+表示去负为零，x为像素点的行， y为像素点的列。
1.2 B-COSFIRE滤波器有两种，一种是对称的，用于检测血管主干，另一种是非对称的，用于检测血管末端，如图2所示。B-COSFIRE滤波器为一个三元组集合其中i＝9，ρ＝{0，2，4，6，8}。
1.3对S进行模糊移位操作，提高各个点的容错性，公式为：
其中σ'＝σ0'+αρi，σ0＝3，α＝0.7，G为高斯函数，-3σ'≤x'，y'≤3σ'。
1.4求取集合S中所有三元组的模糊移位的几何平均，公式为：
其中|·|t表示阈值为t时得到的最大响应， 0≤t≤1。
1.5为了检测不同方向上的血管，还需构造不同方向上的B-COSFIRE滤波器，并对所有的B-COSFIRE滤波器的响应结果进行融合，得到第二个特征矩阵 map2，公式为：
其中，nr＝12。
第二步：归一化
2.1通过三倍标准差法去掉特征矩阵map异常值：
其中，mapi表示第i个特征矩阵，i只有1和2两个值，表示mapi的平均值，ni表示mapi像素个数，σi表示mapi的标准差，<·>±3σ表示限制值的上限为3σ，下限为-3σ.
2.2利用最大最小规范化法，缩放特征矩阵map'到[0，1]，公式如下：
mapi”＝MaxMin(mapi')-0.5 (6)
再平移到[-0.5，0.5]的范围，得到归一化后的特征矩阵map”：
将归一化后的特征矩阵 拼接成LVD模型的输入矩阵。
第三步：LVD模型
LVD模型的设计主要考虑到多尺度下的特征提取，以及每一层特征的融合，如图3所示。该模型是整体嵌套网络(Holistically-nested network)的变体，不仅能够从低尺度提取特征，而且保留了原尺度的细节特征。
LVD模型包括三个隐藏层、两个侧输出层和一个共享输出层。第一个隐藏层跟输入层直接连接，三个隐藏层为链式，顺序连接。从第二个隐藏层开始，每个隐藏层都单独与一个侧输出层连接。输入数据依次进入三个隐藏层，能得到三个中间特征。后两个隐藏层(hidden layer)单独连接一个输出层(output layer)，用来得到中间特征的侧输出。最后将第一个隐藏层得到的中间特征与两个侧输融合送入共享的输出层得到最后的分割结果。
LVD模型的第一个隐藏层仅有卷积层，用来特征提取，所以该层的中间特征为原尺度。第二个隐藏层除了有卷积层外，还有一个池化层(处在第一层)，所以中间特征为低尺寸。第三个隐藏层与第二个隐藏层结构一样。这样，LVD模型就实现了三个尺度下的特征提取。因为低尺度特征融合前需要统一尺寸，所以两个侧输出层内各含有一个上采样层，从而输出原尺度下的特征。共享输出层中，除了有一个融合层用来融合特征外，还有一个卷积层进行降维，得到只有一个特征维度的分割结果。
为了更好的提取血管特征，尤其是细小的血管特征，本发明设计了非对称固定深度为N的子网络(ADS-N)。ADS-N的结构展示在图4。该子网络包含十个卷积层，每层卷积核都是非对称的，并且深度固定为N。
将ADS-50作为一层加入到LVD模型的每个隐藏层中，得到整个LVD网络。该网络有12层，第0层为输入层，第一个隐藏层中有一个ADS-50层(步长为1)和一个1×1的卷积层(步长为1)，第二个隐藏层有一个最大池化层(步长为 2)和一个ADS-50层(步长为1)，第三个隐藏层跟第二个隐藏层一样。低尺度下的输出层通过反卷积层实现，最后的输出层通过一个连接层和一个1×1的卷积层得到，如图5所示。每个卷积层后跟一个Batch_Norm层来加速收敛和一个 Relu层进行激活。具体参数见表1。
表1 LVD网络参数
整个模型的损失函数采用均方误差，对于输出结果y与人工标注y’的均方误差计算如下：
其中n代表像素点的个数，代表平方和。为了防止过拟合，在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：
其中，w表示网络中边上的权重，初始化方式是从截断的正态分布中输出随机值，该正态分布的标准差为0.1；k＝0.001。
第四步：二值化
二值化是在测试阶段，对LVD测试结果y进行后处理，得到最后的血管分割结果。先将y通过公式(6)规范化，再采用阈值分割二值化，得到最后的分割结果，其中阈值设置为θ＝0.3。
在DRIVE数据库上进行了实验，对20幅测试集进行测试，并选用第一位专家的分割结果作为评判标准。分割结果的敏感性达到了0.8551，特异性达到了0.9785，准确率达到了0.9675。由图6可知，ROC曲线靠近左上角，AUC的值高达0.9782，体现了本发明在血管检测的准确性极高。整个分割结果在图7 中显示，从中可以发现，LVD网络对血管，尤其是细小的血管由很好的检测效果。

Claims (3)

1.一种基于低尺度血管检测分割视网膜血管的方法，其特征在于，步骤如下：
第一步：特征提取
本发明需要用到两个维度的特征矩阵；一个直接来自于彩色视网膜眼底图像的绿色通道map1；另一个是对map1用B-COSFIRE滤波器处理后得到的响应结果map2；
B-COSFIRE滤波器处理过程如下：
1.1 通过DoG滤波器对map1进行处理，得到输入cσ：
其中，外部高斯函数偏差为σ，内部高斯函数标准偏差为0.5σ，符号|·|+表示去负为零，x为像素点的行，y为像素点的列；
1.2 B-COSFIRE滤波器有两种，一种是对称的，用于检测血管主干，另一种是非对称的，用于检测血管末端，B-COSFIRE滤波器为一个三元组集合其中i指考虑的点的个数；
1.3 对S进行模糊移位操作，提高各个点的容错性：
其中σ'＝σ0'+αρi，α、σ'0为常数，G为高斯函数，-3σ'≤x'，y'≤3σ'；
1.4 求取集合S中所有三元组的模糊移位的几何平均，公式为：
其中|·|t表示阈值为t时得到的最大响应，0≤t≤1；
1.5对不同方向上的B-COSFIRE滤波器响应结果进行融合，得到第二个特征矩阵map2：
其中，nr代表方向的个数；
第二步：归一化
2.1 通过三倍标准差法去掉两个特征矩阵map异常值：
其中，mapi表示第i个特征矩阵，i只有1和2两个值，表示mapi的平均值，ni表示mapi像素个数，σi表示mapi的标准差，<·>±3σ表示限制值的上限为3σ，下限为-3σ.
2.2 利用最大最小规范化法，缩放2.1步得到的特征矩阵map'到[0，1]：
mapi″＝MaxMin(map′i)-0.5 (6)
再平移到[-0.5，0.5]的范围，得到归一化后的特征矩阵map″：
将归一化后的特征矩阵 拼接成LVD模型的输入矩阵；
第三步：LVD模型
LVD模型包括三个隐藏层、两个侧输出层和一个共享输出层；第一个隐藏层跟输入层直接连接，三个隐藏层为链式，顺序连接；从第二个隐藏层开始，每个隐藏层都单独与一个侧输出层连接；输入数据依次进入三个隐藏层，能得到三个中间特征；后两个隐藏层单独连接一个输出层，得到中间特征的侧输出；最后将第一个隐藏层得到的中间特征与两个侧输融合送入共享的输出层得到最后的分割结果；
子网络ADS-N包含十个卷积层，每层卷积核都是非对称的，并且深度固定为N；将ADS-N作为一层加入到LVD模型的每个隐藏层中，得到整个LVD网络；
整个模型的损失函数采用均方误差，对于输出结果y与人工标注y’的均方误差计算如下：
其中n代表像素点的个数，代表平方和；为了防止过拟合，在损失函数中引入了L2正则化项，最终的损失函数Loss定义如下：
其中，w表示网络中边上的权重；k表示正则化项的权重；
第四步：二值化
二值化是在测试阶段，对LVD测试结果y进行后处理，得到最后的血管分割结果；先将y通过公式(6)规范化，再采用阈值分割二值化，得到最后的分割结果，其中阈值设置为θ。
2.如权利要求1所述的一种基于低尺度血管检测分割视网膜血管的方法，其特征在于，ADS-N子网络有12层，第0层为输入层，第一个隐藏层中有一个ADS-N层和一个1×1的卷积层，第二个隐藏层有一个最大池化层和一个ADS-N层，第三个隐藏层跟第二个隐藏层一样；低尺度下的输出层通过反卷积层实现，最后的输出层通过一个连接层和一个1×1的卷积层得到。
3.如权利要求2所述的一种基于低尺度血管检测分割视网膜血管的方法，其特征在于，每个卷积层后跟一个Batch_Norm层来加速收敛和一个Relu层进行激活。
CN201910058161.9A 2019-01-22 2019-01-22 一种基于低尺度血管检测分割视网膜血管的方法 Active CN109978819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910058161.9A CN109978819B (zh) 2019-01-22 2019-01-22 一种基于低尺度血管检测分割视网膜血管的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910058161.9A CN109978819B (zh) 2019-01-22 2019-01-22 一种基于低尺度血管检测分割视网膜血管的方法

Publications (2)

Publication Number Publication Date
CN109978819A true CN109978819A (zh) 2019-07-05
CN109978819B CN109978819B (zh) 2022-11-15

Family

ID=67076617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910058161.9A Active CN109978819B (zh) 2019-01-22 2019-01-22 一种基于低尺度血管检测分割视网膜血管的方法

Country Status (1)

Country Link
CN (1) CN109978819B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529879A (zh) * 2020-12-16 2021-03-19 福建农林大学 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463841A (zh) * 2014-10-21 2015-03-25 深圳大学 衰减系数自适应的滤波方法及滤波***
WO2015054666A1 (en) * 2013-10-10 2015-04-16 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes
CN106651846A (zh) * 2016-12-20 2017-05-10 中南大学湘雅医院 视网膜血管图像的分割方法
CN106780450A (zh) * 2016-12-06 2017-05-31 天津大学 一种基于低秩多尺度融合的图像显著性检测方法
WO2018052586A1 (en) * 2016-09-14 2018-03-22 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015054666A1 (en) * 2013-10-10 2015-04-16 Board Of Regents, The University Of Texas System Systems and methods for quantitative analysis of histopathology images using multi-classifier ensemble schemes
CN104463841A (zh) * 2014-10-21 2015-03-25 深圳大学 衰减系数自适应的滤波方法及滤波***
WO2018052586A1 (en) * 2016-09-14 2018-03-22 Konica Minolta Laboratory U.S.A., Inc. Method and system for multi-scale cell image segmentation using multiple parallel convolutional neural networks
CN106780450A (zh) * 2016-12-06 2017-05-31 天津大学 一种基于低秩多尺度融合的图像显著性检测方法
CN106651846A (zh) * 2016-12-20 2017-05-10 中南大学湘雅医院 视网膜血管图像的分割方法
CN108830855A (zh) * 2018-04-02 2018-11-16 华南理工大学 一种基于多尺度低层特征融合的全卷积网络语义分割方法
CN109003279A (zh) * 2018-07-06 2018-12-14 东北大学 一种基于K-Means聚类标注和朴素贝叶斯模型的眼底视网膜血管分割方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAINING XIE 等: "Holistically-Nested Edge Detection", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 *
郑伟诗等: "非对称行人重识别:跨摄像机持续行人追踪", 《中国科学:信息科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529879A (zh) * 2020-12-16 2021-03-19 福建农林大学 基于支持向量机的b-cosfire滤波处理的多尺度采样视网膜血管图像分割方法

Also Published As

Publication number Publication date
CN109978819B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
WO2021238030A1 (zh) 基于聚类分区进行刻度识别的水位监测方法
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN110197493A (zh) 眼底图像血管分割方法
CN108764286A (zh) 一种基于迁移学习的血管图像中特征点的分类识别方法
CN106920227A (zh) 基于深度学习与传统方法相结合的视网膜血管分割方法
CN108806792A (zh) 深度学习面诊***
CN109325942A (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN108537282A (zh) 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法
CN107330876A (zh) 一种基于卷积神经网络的图像自动诊断方法
CN112016626A (zh) 基于不确定度的糖尿病视网膜病变分类***
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN111860528B (zh) 基于改进U-Net网络的图像分割模型及训练方法
CN105913013A (zh) 双目视觉人脸识别算法
US11756199B2 (en) Image analysis in pathology
CN109859101B (zh) 农作物冠层热红外图像识别方法及***
CN114170150B (zh) 基于曲率损失函数的视网膜渗出液全自动分割方法
CN111028230A (zh) 一种基于yolo-v3的眼底图像视盘及黄斑定位检测算法
CN113392915A (zh) 一种基于深度学习的工业零件缺陷检测方法
CN113610842B (zh) 基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法
CN106446805B (zh) 一种眼底照中视杯的分割方法及***
CN106203284A (zh) 基于卷积神经网络和条件随机场的人脸检测方法
CN117058676B (zh) 一种基于眼底检查影像的血管分割方法、装置和***
CN112686855A (zh) 一种眼象与症状信息的信息关联方法
CN107392918B (zh) 基于随机森林与复合活性曲线的oct图像层分割方法
CN112712526A (zh) 基于非对称卷积神经网络双通道的视网膜血管分割方法

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
TA01 Transfer of patent application right

Effective date of registration: 20190925

Address after: 1800 No. 214122 Jiangsu city of Wuxi Province Li Lake Avenue

Applicant after: Jiangnan University

Applicant after: Wuxi Bencio Intelligent Technology Co.,Ltd.

Address before: 241000 Science and Technology Industrial Park Phase I A11-2, Yijiang District, Wuhu City, Anhui Province

Applicant before: ANHUI HAILING INTELLIGENT TECHNOLOGY Co.,Ltd.

Applicant before: Jiangnan University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant