CN110148111A - 一种视网膜oct图像中多种视网膜病灶的自动检测方法 - Google Patents
一种视网膜oct图像中多种视网膜病灶的自动检测方法 Download PDFInfo
- Publication number
- CN110148111A CN110148111A CN201910255361.3A CN201910255361A CN110148111A CN 110148111 A CN110148111 A CN 110148111A CN 201910255361 A CN201910255361 A CN 201910255361A CN 110148111 A CN110148111 A CN 110148111A
- Authority
- CN
- China
- Prior art keywords
- retina
- variety
- oct image
- lesions
- lesion
- 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
- 210000001525 retina Anatomy 0.000 title claims abstract description 92
- 230000003902 lesion Effects 0.000 title claims abstract description 74
- 238000012360 testing method Methods 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 31
- 206010038848 Retinal detachment Diseases 0.000 claims description 11
- 208000000260 Warts Diseases 0.000 claims description 11
- 201000010153 skin papilloma Diseases 0.000 claims description 11
- 210000002301 subretinal fluid Anatomy 0.000 claims description 11
- 206010025421 Macule Diseases 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 4
- 210000003161 choroid Anatomy 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 8
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000003583 retinal pigment epithelium Anatomy 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 210000005081 epithelial layer Anatomy 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010039729 Scotoma Diseases 0.000 description 2
- 206010047571 Visual impairment Diseases 0.000 description 2
- 210000001775 bruch membrane Anatomy 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000002780 macular degeneration Diseases 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 208000029257 vision disease Diseases 0.000 description 2
- 230000004393 visual impairment Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 1
- 241000521257 Hydrops Species 0.000 description 1
- 208000035719 Maculopathy Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010047555 Visual field defect Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002491 angiogenic effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 201000011190 diabetic macular edema Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 210000005157 neural retina Anatomy 0.000 description 1
- 108091008695 photoreceptors Proteins 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000020945 retinal Nutrition 0.000 description 1
- 150000003726 retinal derivatives Chemical class 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- 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
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Ophthalmology & Optometry (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种视网膜OCT图像中多种视网膜病灶的自动检测方法,所述方法包括如下步骤:采集视网膜3D OCT图像;采用已训练好的多种视网膜病灶检测及分割模型对所述视网膜3D OCT图像进行检测和初步分割,获取初步分割的病灶区域;对初步分割的病灶区域进行修正,获得精确的视网膜病灶区域。本发明的方法不仅能够精确检测视网膜OCT图像中的视网膜病灶区域,而且能够定量分析视网膜OCT图像中的多种视网膜病灶,具有理想的鲁棒性及准确率。
Description
技术领域
本发明涉及一种视网膜OCT图像中多种视网膜病灶的自动检测方法,属于图像处理分析技术领域。
背景技术
浆液性色素上皮脱离、视网膜下积液、脉络膜新生血管和玻璃膜疣这些病灶是年龄性黄斑病变、糖尿病性黄斑水肿等严重视网膜疾病的重要临床表现,黄斑裂孔也是很严重的视网膜疾病。这些疾病可能会导致视力下降,出现生理盲点,甚至致盲。因此,精确检测和分割病灶区域对于获得精准治疗、降低治疗费用具有十分重要的意义。目前现有的视网膜OCT图像上视网膜疾病/病灶的检测方法存在局限性。现有的大部分算法只能用于某几种病灶的分类,而无法定量分析病灶区域;或者只能定量分析某一种病灶,而且算法的鲁棒性及准确率都不理想。
发明内容
本发明的目的在于提供一种视网膜OCT图像中多种视网膜病灶的自动检测方法,以解决现有技术中存在的上述多项缺陷或缺陷之一。
为达到上述目的,本发明采用如下技术方案:
一种视网膜OCT图像中多种视网膜病灶的自动检测方法,包括如下步骤:
采集视网膜3D OCT图像;
采用已训练好的多种视网膜病灶检测及分割模型对所述视网膜3D OCT图像进行检测和初步分割,获取初步分割的病灶区域;
对初步分割的病灶区域进行修正,获得精确的视网膜病灶区域。
进一步,所述多种视网膜病灶包括:浆液性色素上皮脱离、视网膜下积液、玻璃膜疣、脉络膜新生血管和黄斑裂孔。
进一步,所述多种视网膜病灶检测及分割模型的训练方法包括:
从多个视网膜3D OCT图像数据中选取数张有病灶的B-scan图片;
将B-scan图片输入到卷积神经网络,进行特征提取;
将提取的特征生成候选区域,每张B-scan图片生成N个候选区域;
将候选区域映射到卷积神经网络的最后一层卷积的特征映射上;
通过感兴趣区域对齐操作层使每个感兴趣区域生成固定尺寸的特征映射;
利用全连接层进行分类和边界回归,并为每个感兴趣区域生成一个二元掩码。
进一步,所述B-scan图片的选取方法包括:
各类病灶的B-scan图片的张数相同;
所有B-scan图片均由经过培训的标注人员标注。
进一步,训练多种视网膜病灶检测及分割模型之前,在所述模型上加载基于MSCOCO数据集所训练的模型参数。
进一步,所述检测及初步分割的方法包括:将视网膜3D OCT图像数据分成128张B-scan图片,逐张送入所述训练好的多种视网膜病灶检测及分割模型,获得每张B-scan的检测结果和初步分割结果。
进一步,对任意一张B-scan,若未检测出任何病灶,则判断为正常;相反地,若检测出存在某种病灶,则进一步判断该病灶所得的检测分数是否大于预设阈值,若大于预设阈值,则判断为存在该种病灶,否则判为不存在该种病灶,从而检测出视网膜3D OCT图像中存在病灶的B-scan、病灶的种类和初步分割的病灶区域。
进一步,所述修正的方法包括:将初步分割得到的视网膜病灶区域边界作为初始曲线,采用改进的距离正则化水平集演化方法修正,获得精确的视网膜病灶区域。
进一步,所述距离正则化水平集演化方法,采取了改进的曲率扩散方程,方程如下:
其中,I为输入图像,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子,f(·)为扩散函数。
进一步,所述距离正则化水平集演化方法,重新定义了边缘指示函数,该函数如下:
其中,g为重新定义的边缘指示函数,λ为控制演化速度的值,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子。
与现有技术相比,本发明达到的有益技术效果为:本发明的方法不仅能够精确检测和定量分析视网膜OCT图像中的视网膜病灶区域,而且能够定量分析视网膜OCT图像中的多种视网膜病灶,具有理想的鲁棒性及准确率。
附图说明
图1是本发明方法的总体流程图;
图2是本发明的训练多种视网膜病灶检测及分割模型的方法的流程图;
图3是本发明方法检测和分割的5种视网膜病灶的示例图;
图4是视网膜OCT图像上多种病灶的检测及粗略分割结果图,图4(a)为浆液性色素上皮层脱离+视网膜下积液,图4(b)为脉络膜新生血管,图4(c)为多个玻璃膜疣+视网膜下积液,图4(d)为黄斑裂孔;
图5是视网膜OCT图像上多种病灶的精细修正的结果图,图5(a)为浆液性色素上皮层脱离+视网膜下积液,图5(b)为脉络膜新生血管,图5(c)为单个玻璃膜疣,图5(d)为黄斑裂孔。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明实施例检测和分割的视网膜病灶包括5种,分别为:浆液性色素上皮脱离、视网膜下积液、玻璃膜疣、脉络膜新生血管和黄斑裂孔,如图3所示。其中:图3(a)为浆液性色素上皮脱离(PED)的示例图,OCT图像表现为视网膜色素上皮光带半球形***,多为老年性黄斑变性的早期表现或伴随病状。图3(b)为视网膜下积液(SRF)的示例图,OCT图像中的视网膜下积液内部呈现黑色的暗反射信号,其成分或来自于视网膜变性,或为液化玻璃体通过视网裂孔进入,或为脉络膜毛细血管的非细胞性渗出液渗漏到视网膜下间隙。图3(c)为脉络膜新生血管(CNV)的示例图,脉络膜新生血管存在于布鲁赫膜与视网膜色素上皮之间、或神经视网膜与视网膜色素上皮之间,随其逐渐扩大会严重影响视力,且是致盲的主要原因之一。图3(d)是玻璃膜疣的(drusen)示例图,玻璃膜疣是色素上皮细胞异常代谢产物在视网膜上的异常沉积所致,呈现单个小型驼峰状或连续小型驼峰状的拱起,玻璃膜疣可能会导致患者出现生理盲点扩大,严重时会导致视野缩窄或视力下降。图3(e)是黄斑裂孔(MH)的示例图,OCT图像上会出现黄斑部视网膜内界膜至感光细胞层组织缺损,该疾病会严重损害患者的中心视力。
如图1所示,为本发明实施例提供的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,包括如下步骤:
S01:采集视网膜3D OCT图像;
S02:采用已训练好的多种视网膜病灶检测及分割模型对所述视网膜3D OCT图像进行检测和初步分割,获取初步分割的病灶区域;
S03:对初步分割的病灶区域进行修正,获得精确的视网膜病灶区域。
在进行S02步骤之前,需要对所述多种视网膜病灶检测及分割模型进行训练。训练数据来源于30个视网膜3D OCT数据,共选取了2000张患有不同病灶的B-scan(512×885)图片,其中每类病灶各占400张,且所有的B-scan图片均由经过培训的标注人员进行标注。
如图2所示,训练多种视网膜病灶检测及分割模型的方法包括以下几个步骤:1)将上述选取并标注后的B-scan图片输入到卷积神经网络,进行特征提取(这里采用残差网络50特征金字塔提取特征);2)将提取的特征生成候选区域,每张B-scan图片生成N个候选区域;3)将候选区域映射到卷积神经网络的最后一层卷积的特征映射上;4)通过感兴趣区域对齐操作层使每个感兴趣区域生成故固定尺寸的特征映射,具体方式是:首先遍历每一个候选区域,不量化浮点数边界;然后将候选区域分割成k×k个单元,每个单元的边界也不做量化;最后在每个单元中计算四个坐标的位置,用双线性内插的方法计算这四个位置的值,并进行最大池化操作;5)最后利用全连接层进行分类和边界回归,并为每个感兴趣区域生成一个二元掩码。
训练该模型时,先加载基于MS COCO数据集所训练的模型参数,迭代次数设为100,批大小设为6,初始学习率设为0.001,每训练一次学习率衰减0.0001。
完成上述训练步骤后,即可得到多种视网膜病灶检测及分割模型。后续无需重复该训练步骤,可直接使用该训练步骤所得结果。
接着,进行S02步骤:对所述视网膜3D OCT图像进行检测和初步分割。如图1中的S02所示,所述检测及初步分割的方法包括:将S01中采集到的视网膜3D OCT图像数据分成128张B-scan图片,逐张送入所述训练好的多种视网膜病灶检测及分割模型,获得每张B-scan的检测结果和初步分割结果。对于任意一张B-scan,若没有检测出病灶,则该B-scan判为正常;若检测出存在某种病灶(浆液性色素上皮脱离、视网膜下积液、玻璃膜疣、脉络膜新生血管、黄斑裂孔),则进一步判断检测分数是否大于设定阈值(这里设为0.8),若检测分数大于阈值,则判断为存在该种病灶,否则判为不存在该种病灶。该步骤可检测出视网膜3DOCT图像中存在病灶的B-scan,病灶的种类和初步分割的病灶区域。
之后,进行S03步骤:对初步分割的病灶区域进行修正。如图1中的S03所示,通过S02得到初步分割的病灶区域后,采用改进的距离正则化的水平集演化方法修正病灶区域,即将S02得到的初步分割的病灶区域边界作为初始曲线,并采用改进的距离正则化的水平集演化方法使曲线演化,达到精确分割病灶区域的目的。
距离正则化的水平集演化方法利用内、外初始曲线的梯度信息来改变单位法线向量的方向,从而使曲线可以自适应演化。距离正则化的水平集演化方法定义了一个边缘指示函数用于控制曲线演化的结束,函数如下:
h为原始的边缘指示函数,为梯度算子,I为输入图像,Gσ为高斯滤波函数。
根据OCT图像的特性,对距离正则化的水平集演化方法做出两方面改进。
1)距离正则化的水平集演化模型在计算图像梯度时需要先采用高斯滤波对图像去躁,原因是边缘指示函数对噪声及其敏感,曲线在演化过程中会因误判噪声停止演化。但是,高斯滤波在去除噪声的同时会模糊图像边缘,对于活动轮廓模型来说,边缘信息极其重要,且OCT图像存在散斑噪声,故采取改进曲率扩散方程进行改进,方程如下:
其中,I为输入图像,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子,f(·)为扩散函数。改进的曲率扩散方程用于OCT图像滤波,有效抑制了OCT图像散斑噪声的同时保护了图像边缘。
2)为了提高演化速度,本发明重新定义了边缘指示函数,公式如下:
其中,g为重新定义的边缘指示函数,λ用于控制演化速度,值越大,演化速度越快,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子。本发明中λ会根据S02检测出的病灶类别自适应调整。具体来说,若S02检测出的病灶类别是浆液性色素上皮层脱离、视网膜下积液或者黄斑裂孔,病灶区域的像素值都比周围的像素值低,则λ自动调整为10,在保证分割精度的情况下可加快演化速度;若S02检测出的病灶类别是玻璃膜疣或者脉络膜新生血管,病灶区域的内外像素值高度接近,为避免过分割,特别是将布鲁赫膜误分割,需要降低演化速度,则λ自动调整为1。
通过改进的距离正则化的水平集演化方法做进一步修正,最终可分割出精确的病灶区域。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述方法包括如下步骤:
采集视网膜3D OCT图像;
采用已训练好的多种视网膜病灶检测及分割模型对所述视网膜3D OCT图像进行检测和初步分割,获取初步分割的病灶区域;
对初步分割的病灶区域进行修正,获得精确的视网膜病灶区域。
2.根据权利要求1所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述多种视网膜病灶包括:浆液性色素上皮脱离、视网膜下积液、玻璃膜疣、脉络膜新生血管和黄斑裂孔。
3.根据权利要求1所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述多种视网膜病灶检测及分割模型的训练方法包括:
从多个视网膜3D OCT图像数据中选取数张有病灶的B-scan图片;
将B-scan图片输入到卷积神经网络,进行特征提取;
将提取的特征生成候选区域,每张B-scan图片生成N个候选区域;
将候选区域映射到卷积神经网络的最后一层卷积的特征映射上;
通过感兴趣区域对齐操作层使每个感兴趣区域生成固定尺寸的特征映射;
利用全连接层进行分类和边界回归,并为每个感兴趣区域生成一个二元掩码。
4.根据权利要求3所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述B-scan图片的选取方法包括:
各类病灶的B-scan图片的张数相同;
所有B-scan图片均由经过培训的标注人员标注。
5.根据权利要求1所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,训练多种视网膜病灶检测及分割模型之前,在所述模型上加载基于MS COCO数据集所训练的模型参数。
6.根据权利要求1所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述检测及初步分割的方法包括:将视网膜3D OCT图像数据分成128张B-scan图片,逐张送入所述训练好的多种视网膜病灶检测及分割模型,获得每张B-scan的检测结果和初步分割结果。
7.根据权利要求6所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,对任意一张B-scan,若未检测出病灶,则判为正常;相反地,若检测出存在某种病灶,则进一步判断该病灶所得的检测分数是否大于预设阈值,若大于预设阈值,则判断为存在该种病灶,否则判为不存在该种病灶,从而检测出视网膜3D OCT图像中存在病灶的B-scan、病灶的种类和初步分割的病灶区域。
8.根据权利要求1所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,
所述修正的方法包括:将初步分割得到的视网膜病灶区域边界作为初始曲线,采用改进的距离正则化水平集演化方法修正,获得精确的视网膜病灶区域。
9.根据权利要求8所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述距离正则化水平集演化方法,采取了改进的曲率扩散方程,方程如下:
其中,I为输入图像,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子,f(·)为扩散函数。
10.根据权利要求8所述的一种视网膜OCT图像中多种视网膜病灶的自动检测方法,其特征在于,所述距离正则化水平集演化方法,重新定义了边缘指示函数,该函数如下:
其中,g为重新定义的边缘指示函数,λ为控制演化速度的值,It为采用改进的曲率扩散方程去躁后的输出图像,为梯度算子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255361.3A CN110148111A (zh) | 2019-04-01 | 2019-04-01 | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910255361.3A CN110148111A (zh) | 2019-04-01 | 2019-04-01 | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110148111A true CN110148111A (zh) | 2019-08-20 |
Family
ID=67589286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910255361.3A Pending CN110148111A (zh) | 2019-04-01 | 2019-04-01 | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148111A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及*** |
CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN110942447A (zh) * | 2019-10-18 | 2020-03-31 | 平安科技(深圳)有限公司 | Oct图像分割方法、装置、设备及存储介质 |
CN110974151A (zh) * | 2019-11-06 | 2020-04-10 | 中山大学中山眼科中心 | 一种识别视网膜脱离的人工智能***和方法 |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111209915A (zh) * | 2019-12-25 | 2020-05-29 | 上海航天控制技术研究所 | 一种基于深度学习的三维图像同步识别和分割方法 |
CN111598894A (zh) * | 2020-04-17 | 2020-08-28 | 哈尔滨工业大学 | 基于全局信息卷积神经网络的视网膜血管图像分割*** |
CN112435256A (zh) * | 2020-12-11 | 2021-03-02 | 北京大恒普信医疗技术有限公司 | 基于图像的cnv活动性病灶检测方法及装置、电子设备 |
WO2023123765A1 (zh) * | 2021-12-31 | 2023-07-06 | 苏州比格威医疗科技有限公司 | 一种oct影像分层与病灶语义分割方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103356155A (zh) * | 2013-06-24 | 2013-10-23 | 清华大学深圳研究生院 | 虚拟内窥镜辅助的腔体病灶检查*** |
CN103646398A (zh) * | 2013-12-04 | 2014-03-19 | 山西大学 | 一种皮肤镜病灶自动分割方法 |
CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
US20180279943A1 (en) * | 2014-10-29 | 2018-10-04 | Tissue Analytics, Inc. | System and method for the analysis and transmission of data, images and video relating to mammalian skin damage conditions |
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及*** |
CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测*** |
-
2019
- 2019-04-01 CN CN201910255361.3A patent/CN110148111A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103356155A (zh) * | 2013-06-24 | 2013-10-23 | 清华大学深圳研究生院 | 虚拟内窥镜辅助的腔体病灶检查*** |
CN103646398A (zh) * | 2013-12-04 | 2014-03-19 | 山西大学 | 一种皮肤镜病灶自动分割方法 |
US20180279943A1 (en) * | 2014-10-29 | 2018-10-04 | Tissue Analytics, Inc. | System and method for the analysis and transmission of data, images and video relating to mammalian skin damage conditions |
CN106447682A (zh) * | 2016-08-29 | 2017-02-22 | 天津大学 | 基于帧间相关性的乳腺mri病灶的自动分割方法 |
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及*** |
CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
CN109472781A (zh) * | 2018-10-29 | 2019-03-15 | 电子科技大学 | 一种基于串行结构分割的糖尿病视网膜病变检测*** |
Non-Patent Citations (1)
Title |
---|
GUAN L ET AL.: "Fully automated detection and quantification of multiple retinal lesions in OCT volumes based on deep learning", 《MEDICAL IMAGING 2019: IMAGE PROCESSING》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942447A (zh) * | 2019-10-18 | 2020-03-31 | 平安科技(深圳)有限公司 | Oct图像分割方法、装置、设备及存储介质 |
WO2021082691A1 (zh) * | 2019-10-30 | 2021-05-06 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN110889826A (zh) * | 2019-10-30 | 2020-03-17 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN110889826B (zh) * | 2019-10-30 | 2024-04-19 | 平安科技(深圳)有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
CN110974151A (zh) * | 2019-11-06 | 2020-04-10 | 中山大学中山眼科中心 | 一种识别视网膜脱离的人工智能***和方法 |
CN110786824B (zh) * | 2019-12-02 | 2021-06-15 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及*** |
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及*** |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111127425B (zh) * | 2019-12-23 | 2023-04-28 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111209915A (zh) * | 2019-12-25 | 2020-05-29 | 上海航天控制技术研究所 | 一种基于深度学习的三维图像同步识别和分割方法 |
CN111209915B (zh) * | 2019-12-25 | 2023-09-15 | 上海航天控制技术研究所 | 一种基于深度学习的三维图像同步识别和分割方法 |
CN111598894A (zh) * | 2020-04-17 | 2020-08-28 | 哈尔滨工业大学 | 基于全局信息卷积神经网络的视网膜血管图像分割*** |
CN111598894B (zh) * | 2020-04-17 | 2021-02-09 | 哈尔滨工业大学 | 基于全局信息卷积神经网络的视网膜血管图像分割*** |
CN112435256A (zh) * | 2020-12-11 | 2021-03-02 | 北京大恒普信医疗技术有限公司 | 基于图像的cnv活动性病灶检测方法及装置、电子设备 |
WO2023123765A1 (zh) * | 2021-12-31 | 2023-07-06 | 苏州比格威医疗科技有限公司 | 一种oct影像分层与病灶语义分割方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148111A (zh) | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 | |
CN109493954B (zh) | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** | |
Lowell et al. | Optic nerve head segmentation | |
CN106651888B (zh) | 基于多特征融合的彩色眼底图像视杯分割方法 | |
CN111616800B (zh) | 眼科手术导航*** | |
US20230022921A1 (en) | System and method for analyzing corneal lesion using anterior ocular segment image, and computer-readable recording medium | |
CN106214120A (zh) | 一种青光眼的早期筛查方法 | |
AU2021202217A1 (en) | Methods and systems for ocular imaging, diagnosis and prognosis | |
CN110575132A (zh) | 一种基于偏心摄影的斜视程度的计算方法 | |
CN110575134A (zh) | 一种基于偏心摄影的近视度数的计算方法 | |
de Moura et al. | Automatic characterization of the serous retinal detachment associated with the subretinal fluid presence in optical coherence tomography images | |
Walter et al. | Automatic analysis of color fundus photographs and its application to the diagnosis of diabetic retinopathy | |
Li et al. | Choroid automatic segmentation and thickness quantification on swept-source optical coherence tomography images of highly myopic patients | |
Consejo et al. | Detection of subclinical keratoconus with a validated alternative method to corneal densitometry | |
Samawi et al. | Optic disc segmentation in retinal fundus images using morphological techniques and intensity thresholding | |
Garcia-Marin et al. | Patch-based CNN for corneal segmentation of AS-OCT images: Effect of the number of classes and image quality upon performance | |
Munarto et al. | Automatic Cataract Classification System Using Neural Network Algorithm Backpropagation | |
CN109447948A (zh) | 一种基于病灶彩色视网膜眼底图像的视盘分割方法 | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
Dhommati et al. | Automated 2D-3D quantitative analysis of corneal graft detachment post DSAEK based on AS-OCT images | |
WO2022159032A1 (en) | Methods and systems for detecting vasculature | |
Arabi et al. | Machine vision for screening of age-related macular degeneration using fundus images | |
Stankiewicz et al. | Novel full-automatic approach for segmentation of epiretinal membrane from 3D OCT images | |
Oliveira et al. | Drusen detection in OCT images with AMD using random forests | |
Wang et al. | Automated 3D region-based volumetric estimation of optic disc swelling in papilledema using spectral-domain optical coherence tomography |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |