CN110598652A - 眼底数据预测方法和设备 - Google Patents
眼底数据预测方法和设备 Download PDFInfo
- Publication number
- CN110598652A CN110598652A CN201910880048.9A CN201910880048A CN110598652A CN 110598652 A CN110598652 A CN 110598652A CN 201910880048 A CN201910880048 A CN 201910880048A CN 110598652 A CN110598652 A CN 110598652A
- Authority
- CN
- China
- Prior art keywords
- disc
- center position
- fundus
- data
- processor
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种眼底数据预测方法和设备,所述方法包括:获取眼底图像;利用机器学习模型预测所述眼底图像中的预测黄斑中心位置、视盘中心位置和视盘尺寸,所述机器学习模型在预测过程中生成热力图,所述黄斑中心位置和所述视盘中心位置是根据所述热力图的像素值确定的。
Description
技术领域
本发明涉及眼科图像检测领域,具体涉及一种眼底数据预测方法和设备。
背景技术
在医疗领域中,黄斑在眼底视神经盘的颞侧0.35cm处并稍下方,处于人眼的光学中心区,是视力轴线的投影点。黄斑位于视网膜的中心,该部位集中了大量的视觉功能细胞。黄斑区的异常经常直接导致视觉能力的下降,黄斑区的病变如果没有被及时的发现和治疗,失明的几率将大大提高。
目前,机器学习在医学领域得到了广泛的应用,尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。在眼底图像检测方面,深度学习技术已经被用于青光眼、糖尿病视网膜病变等病种的检测,并取得了良好效果。
但是,由于眼底图像中黄斑和视盘的形态特征往往因病变程度的不同而差异巨大,导致机器学习技术难以准确分割出黄斑和视盘等影像的边界,因此现有技术的识别结果是一个大致的检测框,虽然可以在一定程度上确保检测框中包含视盘或者黄斑的全部内容,但是这种检测结果仍不够精准,从而会影响后续的异常检测结论。
发明内容
有鉴于此,本发明提供一种眼底数据预测方法,包括:
获取眼底图像;
利用机器学习模型预测所述眼底图像中的预测黄斑中心位置、视盘中心位置和视盘尺寸,所述机器学习模型在预测过程中生成热力图,所述黄斑中心位置和所述视盘中心位置是根据所述热力图的像素值确定的。
可选地,所述热力图是所述机器学习模型中用于提取眼底图像特征的神经网络的最后一层输出的特征图。
可选地,利用机器学习模型预测所述眼底图像中的黄斑中心位置、视盘中心位置包括:
获取所述热力图中的两个峰值;
确定所述两个峰值对应所述眼底图像中的两个像素点;
根据所述两个像素点的像素值确定黄斑中心位置和视盘中心位置。
本发明还提供一种眼底数据预测模型训练方法,包括:
获取训练数据,所述训练数据包括标记了黄斑中心位置、视盘中心位置和视盘区域的眼底图像,其中所述视盘区域的标记内容用于确定视盘尺寸;
利用所述训练数据对机器学习模型进行训练,以使其根据输入的眼底图像预测黄斑中心位置、视盘中心位置和视盘尺寸。
可选地,训练过程采用如下损失函数:
Loss=Lp+λLwh,
其中Lp表示预测的黄斑中心位置、视盘中心位置与训练数据中的黄斑中心位置、视盘中心位置的差异,Lwh表示预测的视盘尺寸与训练数据中的视盘尺寸的差异,λ为权重,0<λ<1。
可选地,
其中Fmap(x,y)为预测过程中所提取的特征图中的像素点的值,Heatmap(x,y)是热力图中的像素点的值,N为所述特征图中的像素点数量,x、y是像素点的坐标,Ω是特征图和热力图中像素点位置的集合。
可选地,
其中(xm0,ym0)为训练数据中的黄斑中心位置,(xd0,yd0)为训练数据中的视盘中心位置,σ为训练数据中的视盘尺寸信息,(x,y)是热力图中像素点的坐标。
可选地,
其中为预测的视盘尺寸,Sd为训练数据中的视盘尺寸,所述视盘尺寸包括视盘标注框的长度信息和/或宽度信息。
相应地,本发明还提供一种眼底数据预测设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述眼底数据预测方法。
相应地,本发明还提供一种眼底数据预测模型训练设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述眼底数据预测模型训练方法。
根据本发明提供的眼底数据预测方法,结合神经网络算法和回归两方面的优势可以准确地定位到眼底图像中的视盘和黄斑中心位置。预测集合了视盘和黄斑位置信息的热力图,将视盘跟黄斑的距离和位置的先验信息隐含地融合在模型中,提高检测的准确率。本发明提供的方案在预测黄斑和视盘中心的同时还得到视盘的尺寸,可以为医生确定治疗方案提供重要依据。
根据本发明提供的方案得到的热力图可应用于进行对眼底图像进行异常检测,利用注意力选择机制,通过将其与原图对应区域相叠加,给视盘、黄斑相对中心的区域相对更大的关注度,从而更好地模拟临床医生实际诊断方式,即在越靠近视盘和黄斑中心的位置出现的病变越危急,需要给予更多的关注,从而提高异常检测操作的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是一幅眼底图像;
图2是本发明实施例中根据眼底图像得到的热力图及其与原图的结合示意图;
图3为本发明实施例中的训练数据示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种眼底数据预测方法,该方法可以由计算机和服务器等电子设备执行。在本方法中使用了机器学习模型识别图像,所述机器学习模型可以是多种类型和结构的神经网络。该方法包括如下步骤:
S1A,获取眼底图像。为了提高识别效率,在本实施例中对获取的眼底照片进行了预处理,得到了如图1示的眼底图像。预处理包括但不限于图像增强、去除边界等操作。在其它实施例中也可以不进行这些预处理,可直接使用眼底拍照设备采集的眼底照片。
S2A,利用机器学习模型预测眼底图像中的黄斑中心位置、视盘中心位置和视盘尺寸。本实施例中的机器学习模型用于进行回归,该模型是利用大量标注了黄斑中心位置、视盘中心位置和视盘尺寸的样本眼底图像进行训练得到的,具体将在下文中介绍模型的训练方案。
本实施例中的机器学习模型首先提取眼底图像的特征信息,然后根据特征信息得到上述三个信息,这些特征信息属于回归过程的中间结果而非最终结果。模型的特征提取部分可采用堆叠的沙漏结构(stacked hour-glass modules),也可以选用YoloV3、DSOD的特征提取部分,或类似U-Net的结构。在此步骤中所获取的特征信息是特征提取网络的最后一层输出的二维的特征图(Feature map),最后一层可以是卷积层、池化层或者等等。
本实施例中的机器学习模型在预测过程中会生成热力图,这是一种对特征信息的可视化处理。以图2为例,获取机器学习模型预测过程中所提取的特征信息,可生成如图2所示左侧的热力图(也称热图,HeatMap),在可选的实施例中,可以基于特征图生成热力图,或者特征图就是热力图。例如在预测的过程中,特征提取网络输出为特征图进行归一化处理,使其中每个点的像素值范围在0~255,即可得到热力图。在热力图中,越靠近视盘和黄斑中心位置的像素点值越大,越远离中心的像素点的值越小。
如图2所示,在对预测结果影响比较大的位置生成的热度(数值)相对于其它位置更高。将热力图与眼底图像结合(右侧)可以更清楚地看出,越接近视盘和黄斑中心的位置热力图的值越高,表示模型的关注度越高,因此模型可以根据热力图的像素值来确定黄斑中心位置和视盘中心位置。
预测结果中的黄斑中心位置和视盘中心位置可以通过像素点的坐标来表示。视盘尺寸的表达方式有多种,例如可以将视盘视区域为一个圆形区域,在此给出圆形区域的半径,或者将视盘视为一个正方形或长方形区域,在此给出方形区域的长度和/或宽度等等。
图2只是为了进行说明而示出的可视化结果,实际应用时可以向用户展示热力图及其与原图的结合结果,提示用户重点观察此区域。也可以不做可视化处理,热力图将作为一种辅助数据用于后续对眼底图像进行分类或分割感兴趣区域。
根据本发明实施例提供的眼底数据预测方法,结合神经网络算法和回归两方面的优势可以准确地定位到眼底图像中的视盘和黄斑中心位置。预测集合了视盘和黄斑位置信息的热力图,将视盘跟黄斑的距离和位置的先验信息隐含地融合在模型中,提高检测的准确率。
对于视盘区域的疾病,病变区域一般集中在视盘的一个视盘直径的范围内。对于黄斑区域的疾病,一般以病变区域距离黄斑中心凹的距离来衡量疾病的严重程度,如糖尿病性黄斑水肿,其中最重要的分级指标是水肿病变与黄斑中心凹的距离。而为了更好的确定相对距离,一般以黄斑中心凹与病变的距离与视盘直径的比值来作为衡量指标。对于一些整体性眼底疾病而言,是否波及黄斑区域和视盘区域,是衡量视力受损程度的重要依据。本发明提供的方案在预测黄斑和视盘中心的同时还得到视盘的尺寸,可以为医生确定治疗方案提供重要依据。
此外,得到的热力图可应用于进行对眼底图像进行异常检测,利用注意力选择机制,通过将其与原图对应区域相叠加,给视盘、黄斑相对中心的区域相对更大的关注度,从而更好地模拟临床医生实际诊断方式,即在越靠近视盘和黄斑中心的位置出现的病变越危急,需要给予更多的关注,从而提高异常检测操作的准确性。
在一个优选的实施例中,机器学习模型采用如下方式得到黄斑中心位置和视盘中心位置:获取热力图中的两个峰值;确定两个峰值对应眼底图像中的两个像素点;根据两个像素点的像素值确定黄斑中心位置和视盘中心位置。
热力图的峰值位置最有可能是黄斑和视盘的中心位置。特征提取网络输出的特征图中有两个峰值位置,分别是黄斑中心位置和视盘中心位置。在原始眼底图像中,黄斑中心暗于视盘中心,即其像素值低于视盘中心像素值,因此根据这两个峰值位置对应到原始眼底图像中的像素值,即可区分黄斑和视盘中心。
本发明还提供一种眼底数据预测设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述眼底数据预测方法。
本发明实施例提供一种眼底数据预测模型训练方法,可用于训练上述实施例中所使用的机器学习模型,本方法可以由计算机和服务器等电子设备执行。本方法包括如下步骤:
S1B,获取训练数据,训练数据包括如图3所示的标记了黄斑中心31位置、视盘中心32位置和视盘区域33的眼底图像,其中视盘区域33的标记内容用于确定视盘尺寸。在本实施中,视盘区域33的标注为正方形,其边长为视盘尺寸,可以被视为视盘的直径。在其它实施例中也可以采用圆形或其他形状对此区域进行标注。
实际应用时应当获取大量的上述训练数据,如果实际的眼底图像数量不够多,可以添加一个数据增强模块基于实际的眼底图像生成训练数据,数据增强模块可采用随机翻转、镜像、旋转、平移、随机加噪声、模糊化、提高对比度、调整颜色空间等手段,基于原始的眼底图像来进行数据扩增。其原则是尽可能地模拟眼底图自然拍摄中可能出现的形态,使得生成的眼底图与实际拍摄的眼底图一致。
根据上述扩充方式,基于一幅实际采集的眼底图像进行处理,可以得到多幅变换图像作为训练数据,由此可以显著提高训练数据的数量,从而优化机器学习模型的性能。
S2B,利用上述训练数据对机器学习模型进行训练,以使其根据输入的眼底图像预测黄斑中心位置、视盘中心位置和视盘尺寸。训练时应当设置一定的收敛条件,利用大量如图3所示的样本图像使机器学习模型预测的结果与实际标注的内容达到一定的一致性。
具体地,应当设定合适的损失函数来衡量预测结果与标注内容(实际数据)间的差异,并根据差异给与相应的惩罚从而使模型优化自身的参数,直到模型的预测结果与标注内容的差距足够小并保持稳定。损失函数可包括两部分,一部分用来衡量预测的视盘和黄斑的中心点与实际数据的差异,另一部分用来衡量预测的视盘尺寸与实际尺寸的差异,这两部分可以有所偏重,具体根据实际应用场景进行设置。
根据本发明实施例提供的眼底数据预测模型训练方法,结合神经网络算法和回归两方面的优势,利用标注了视盘和黄斑中心位置以及视盘尺寸的训练数据对机器学习模型进行训练,使其能够预测这些信息。
作为一个优选的实施例,训练过程采用如下损失函数:
Loss=Lp+λLwh,
其中Lp表示预测的黄斑中心位置、视盘中心位置与训练数据中的黄斑中心位置、视盘中心位置的差异,Lwh表示预测的视盘尺寸与训练数据中的视盘尺寸的差异,λ为权重,0<λ<1。在一个具体的实施例中λ取值为0.1。
进一步地,上式中
其中Fmap(x,y)为预测过程中所提取的特征图中的像素点的值,Heatmap(x,y)是热力图中的像素点的值,N为所述特征图中的像素点数量,x、y是像素点的坐标,Ω是像素位置的集合。在模型训练过程中,将heatmap(热力图)作为卷积网络生成的特征图的目标,即模型训练时通过反向传播,使卷积网络生成的特征图Fmap(特征图)尽可能接近heatmap。
进一步地,上式中
其中为预测的视盘尺寸,Sd为训练数据中的视盘尺寸,所述视盘尺寸包括视盘标注框的长度信息和/或宽度信息。
更进一步地,本实施例采用如下方式获得热力图:
其中(xm0,ym0)为训练数据中的黄斑中心位置,(xd0,yd0)为训练数据中的视盘中心位置,σ为训练数据中的视盘尺寸信息,(x,y)是heatmap对应像素点的坐标位置。
σ2=wh/4,w和h分别为训练数据中的视盘区域的宽和高,σ相当于视盘半径。
本发明还提供一种眼底数据预测模型训练设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述眼底数据预测模型训练方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种眼底数据预测方法,其特征在于,包括:
获取眼底图像;
利用机器学习模型预测所述眼底图像中的预测黄斑中心位置、视盘中心位置和视盘尺寸,所述机器学习模型在预测过程中生成热力图,所述黄斑中心位置和所述视盘中心位置是根据所述热力图的像素值确定的。
2.根据权利要求1所述的方法,其特征在于,所述热力图是所述机器学习模型中用于提取眼底图像特征的神经网络的最后一层输出的特征图。
3.根据权利要求1或2所述的方法,其特征在于,利用机器学习模型预测所述眼底图像中的黄斑中心位置、视盘中心位置包括:
获取所述热力图中的两个峰值;
确定所述两个峰值对应所述眼底图像中的两个像素点;
根据所述两个像素点的像素值确定黄斑中心位置和视盘中心位置。
4.一种眼底数据预测模型训练方法,其特征在于,包括:
获取训练数据,所述训练数据包括标记了黄斑中心位置、视盘中心位置和视盘区域的眼底图像,其中所述视盘区域的标记内容用于确定视盘尺寸;
利用所述训练数据对机器学习模型进行训练,以使其根据输入的眼底图像预测黄斑中心位置、视盘中心位置和视盘尺寸。
5.根据权利要求4所述的方法,其特征在于,训练过程采用如下损失函数:
Loss=Lp+λLwh,
其中Lp表示预测的黄斑中心位置、视盘中心位置与训练数据中的黄斑中心位置、视盘中心位置的差异,Lwh表示预测的视盘尺寸与训练数据中的视盘尺寸的差异,λ为权重,0<λ<1。
6.根据权利要求5所述的方法,其特征在于:
其中Fmap(x,y)为预测过程中所提取的特征图中的像素点的值,Heatmap(x,y)是热力图中的像素点的值,N为所述特征图中的像素点数量,x、y是像素点的坐标,Ω是特征图和热力图中像素点位置的集合。
7.根据权利要求6所述的方法,其特征在于:
其中(xm0,ym0)为训练数据中的黄斑中心位置,(xd0,yd0)为训练数据中的视盘中心位置,σ为训练数据中的视盘尺寸信息,(x,y)是热力图中像素点的坐标。
8.根据权利要求5所述的方法,其特征在于:
其中为预测的视盘尺寸,Sd为训练数据中的视盘尺寸,所述视盘尺寸包括视盘标注框的长度信息和/或宽度信息。
9.一种眼底数据预测设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-3中任意一项所述的眼底数据预测方法。
10.一种眼底数据预测模型训练设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求4-8中任意一项所述的眼底数据预测模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880048.9A CN110598652B (zh) | 2019-09-18 | 2019-09-18 | 眼底数据预测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910880048.9A CN110598652B (zh) | 2019-09-18 | 2019-09-18 | 眼底数据预测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598652A true CN110598652A (zh) | 2019-12-20 |
CN110598652B CN110598652B (zh) | 2022-04-22 |
Family
ID=68860652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910880048.9A Active CN110598652B (zh) | 2019-09-18 | 2019-09-18 | 眼底数据预测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598652B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669260A (zh) * | 2020-12-07 | 2021-04-16 | 上海交通大学 | 基于深度神经网络的眼底图像视盘黄斑检测方法及装置 |
WO2022160676A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
CN107358605A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的深度神经网络及*** |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别*** |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** |
CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、***及存储介质 |
CN109711291A (zh) * | 2018-12-13 | 2019-05-03 | 合肥工业大学 | 基于眼睛凝视热力图的人格预测方法 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN109919938A (zh) * | 2019-03-25 | 2019-06-21 | 中南大学 | 青光眼的视盘分割图谱获取方法 |
CN109961848A (zh) * | 2019-04-02 | 2019-07-02 | 上海鹰瞳医疗科技有限公司 | 黄斑图像分类方法和设备 |
-
2019
- 2019-09-18 CN CN201910880048.9A patent/CN110598652B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204555A (zh) * | 2016-06-30 | 2016-12-07 | 天津工业大学 | 一种结合Gbvs模型和相位一致性的视盘定位方法 |
CN107358605A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的深度神经网络及*** |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别*** |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN109711291A (zh) * | 2018-12-13 | 2019-05-03 | 合肥工业大学 | 基于眼睛凝视热力图的人格预测方法 |
CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测*** |
CN109662686A (zh) * | 2019-02-01 | 2019-04-23 | 北京致远慧图科技有限公司 | 一种眼底黄斑定位方法、装置、***及存储介质 |
CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术(北京)有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
CN109919938A (zh) * | 2019-03-25 | 2019-06-21 | 中南大学 | 青光眼的视盘分割图谱获取方法 |
CN109961848A (zh) * | 2019-04-02 | 2019-07-02 | 上海鹰瞳医疗科技有限公司 | 黄斑图像分类方法和设备 |
Non-Patent Citations (1)
Title |
---|
吕建驰: "眼底图像中黄斑中央凹检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669260A (zh) * | 2020-12-07 | 2021-04-16 | 上海交通大学 | 基于深度神经网络的眼底图像视盘黄斑检测方法及装置 |
CN112669260B (zh) * | 2020-12-07 | 2023-02-28 | 上海交通大学 | 基于深度神经网络的眼底图像视盘黄斑检测方法及装置 |
WO2022160676A1 (zh) * | 2021-01-29 | 2022-08-04 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110598652B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570421B (zh) | 多任务的眼底图像分类方法和设备 | |
CN111046717B (zh) | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 | |
Wang et al. | Human visual system-based fundus image quality assessment of portable fundus camera photographs | |
Cheng et al. | Sparse dissimilarity-constrained coding for glaucoma screening | |
US10687711B2 (en) | Computerized device and method for processing image data | |
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
Sinthanayothin | Image analysis for automatic diagnosis of diabetic retinopathy | |
US9001316B2 (en) | Use of an optical system simulating behavior of human eye to generate retinal images and an image quality metric to evaluate same | |
CN102458225A (zh) | 图像处理设备及其控制方法和计算机程序 | |
CN109961848B (zh) | 黄斑图像分类方法和设备 | |
CN110599480A (zh) | 多源输入的眼底图像分类方法和设备 | |
CN109671049B (zh) | 一种医学图像处理方法、***、设备、存储介质 | |
CN112017187B (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
CN110598652B (zh) | 眼底数据预测方法和设备 | |
CN113066066A (zh) | 视网膜异常分析方法及设备 | |
Baid et al. | Detection of pathological myopia and optic disc segmentation with deep convolutional neural networks | |
WO2022129591A1 (en) | System for determining one or more characteristics of a user based on an image of their eye using an ar/vr headset | |
CN108235778B (zh) | 基于云端计算的标定方法、装置、电子设备和计算机程序产品 | |
Guo et al. | EMFN: enhanced multi-feature fusion network for hard exudate detection in fundus images | |
CN117764957A (zh) | 基于人工神经网络的青光眼图像特征提取的训练*** | |
CN111966219B (zh) | 一种眼动跟踪方法、装置、设备及存储介质 | |
CN113243914A (zh) | 基于脑影像的评估方法及神经精神疾病评估*** | |
CN117577319A (zh) | 一种糖尿病视网膜病变日常监测及预警方法 | |
Vermeer et al. | Modeling of scanning laser polarimetry images of the human retina for progression detection of glaucoma |
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 |