CN110889826A - 眼部oct图像病灶区域的分割方法、装置及终端设备 - Google Patents
眼部oct图像病灶区域的分割方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110889826A CN110889826A CN201911043286.0A CN201911043286A CN110889826A CN 110889826 A CN110889826 A CN 110889826A CN 201911043286 A CN201911043286 A CN 201911043286A CN 110889826 A CN110889826 A CN 110889826A
- Authority
- CN
- China
- Prior art keywords
- oct image
- region
- eye
- result
- segmentation
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims description 37
- 230000003902 lesion Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 238000012014 optical coherence tomography Methods 0.000 description 110
- 238000013135 deep learning Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 101100175606 Oryza sativa subsp. japonica AGPL2 gene Proteins 0.000 description 2
- 101150070874 SHR1 gene Proteins 0.000 description 2
- 101150009276 SHR2 gene Proteins 0.000 description 2
- 101100095761 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SHR3 gene Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000000981 epithelium Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 210000002301 subretinal fluid Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/12—Edge-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
- G06T2207/10—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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请适用于图像处理技术领域,提供了一种眼部OCT图像病灶区域的分割方法、装置及终端设备,包括:获取待分割的眼部OCT图像;对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。本申请提供了一种眼部OCT图像病灶区域的分割方案,实现对病灶区域的准确高效分割。
Description
技术领域
本申请属于图像处理技术领域,尤其涉及一种眼部OCT图像病灶区域的分割方法、装置、终端设备及计算机可读存储介质。
背景技术
光学相干断层扫描技术(Optical CoherenceTomography,OCT)是近年来发展较快的一种最具发展前途的新型层析成像技术,特别是在生物组织活体检测和成像方面具有诱人的应用前景。该成像技术已尝试在眼科、牙科和皮肤科的临床诊断中应用,是继电子计算机断层扫描(Computed Tomography,CT)和磁共振成像(Magnetic Resonance Imaging,MRI)技术之后的又一大技术突破,近年来已得到了迅速的发展。
分割眼科OCT图像中的病灶区域,如视网膜下积液、视网膜内积液、视网膜下高反射物质和色素上皮脱落等,是进行可靠的眼底疾病诊断的基础。因此,亟需一种眼部OCT图像病灶区域的分割方案。
发明内容
本申请实施例提供了一种眼部OCT图像病灶区域的分割方法、装置、终端设备及计算机可读存储介质,提供了一种眼部OCT图像病灶区域的分割方案,实现对病灶区域的准确高效分割。
第一方面,本申请实施例提供了一种眼部OCT图像病灶区域的分割方法,包括:
获取待分割的眼部OCT图像;
对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;
对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
第二方面,本申请实施例提供了一种眼部OCT图像病灶区域的分割装置,包括:
获取模块,用于获取待分割的眼部OCT图像;
检测模块,用于对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;
提取模块,用于对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
第三方面,本申请实施例提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行如第一方面所述的方法。
在本申请实施例中,先确定眼部OCT图像中病灶区域的边界框,然后再对边界框中的病灶区域进行边缘提取,获得眼部OCT图像病灶区域的分割结果,一方面,先确定病灶区域边界框,再针对边界框中图像区域进行边缘提取,更加准确地实现了对病灶区域的分割;另一方面,由于边缘提取仅针对边界框中图像区域,提高了分割效率,降低了数据处理量,减少了***资源占用。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的眼部OCT图像病灶区域的分割方法的流程示意图;
图2是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中步骤S110和步骤S120的结果示意图;
图3是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中步骤S120的流程示意图;
图4是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中采用的深度学习神经网络模型的结构示意图;
图5是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中采用的第一子网络的结构示意图;
图6是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中采用的注意力模块的结构示意图;
图7是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中步骤S120和步骤S130的结果示意图;
图8是本申请一实施例提供的眼部OCT图像病灶区域的分割方法中步骤S130的流程示意图;
图9是本申请一实施例提供的眼部OCT图像病灶区域的分割装置的结构示意图;
图10是本申请一实施例提供的眼部OCT图像病灶区域的分割方法所适用于的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚,完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,所获得的所有其他实施例,都应当属于本申请保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
分割眼科OCT图像中的病灶区域,是进行可靠的眼底疾病诊断的基础。因此,本申请实施例提供一种眼部OCT图像病灶区域的分割方案,对眼部OCT图像中的病灶区域进行准确且可靠的分割。
图1示出了本申请实施例提供的一种眼部OCT图像病灶区域的分割方法的实现流程图。所述分割方法应用于终端设备。本申请实施例提供的眼部OCT图像病灶区域的分割方法可以应用于眼科OCT设备、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality,AR)/虚拟现实(virtual reality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、个人数字助理(personal digitalassistant,PDA)、独立的服务器、分布式服务器、服务器集群或云服务器等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。如图1所示,所述分割方法包括步骤S110至步骤S130。各个步骤的具体实现原理如下。
S110,获取待分割的眼部OCT图像。
其中,待分割的眼部OCT图像为需要进行病灶区域分割的对象,眼部OCT图像可以为一帧原始的眼部OCT图像。
当终端设备为OCT设备时,眼部OCT图像可以为OCT设备实时扫描待测人体的眼部得到的眼部OCT图像。
当终端设备不为OCT设备时,眼部OCT图像可以为终端设备从OCT设备实时获取到的眼部OCT图像,还可以为从终端设备的内部或外部存储器中获取到的预先存储的眼部OCT图像。
在一个非限定性的示例中,OCT设备实时采集待测人体眼部的OCT图像,发送OCT图像给终端设备。终端设备获取OCT图像,将OCT图像作为待分割图像。
在另一个非限定性的示例中,OCT设备采集待测人体眼部的OCT图像发送给终端设备,终端设备先在数据库中存储该OCT图像,再从数据库中获取该待测人体的眼部OCT图像作为待分割图像。
在本申请一些实施例中,终端设备获取待分割的眼部OCT图像,在获取眼部OCT图像后,直接进行后续的步骤S120,即对眼部OCT图像进行检测。
在本申请另一些实施例中,终端设备对获取的眼部OCT图像,添加了预处理。可以理解地,预处理包括但不限于降噪和裁减等操作。通过降噪和裁减等操作,减少了噪音和数据处理量,提高了分割结果的精度,也节省了算力。示例性地,降噪操作可以为滤波操作,包括但不限于非线性滤波,中值滤波,双边滤波等。
在本申请一种非限定性使用场景中,当用户想要对某选定的一帧眼部OCT图像进行病灶区域分割时,通过点击终端设备特定的物理按键和/或虚拟按键的方式启用终端设备的病灶区域分割功能,此时,所述终端设备会对选定的该帧眼部OCT图像自动按照步骤S120及步骤S130的过程进行处理,得到分割结果。
在本申请另一种非限定性使用场景中,当用户想要对某一帧眼部OCT图像进行病灶区域分割时,可以通过点击特定的物理按键和/或虚拟按键的方式启用终端设备的病灶区域分割功能,并选定一帧眼部OCT图像,则所述终端设备会对眼部OCT图像自动按照步骤S120及步骤S130的过程进行处理,得到分割结果。
此处可以理解的是,点击按键和选定一帧眼部OCT图像的顺序可以互换,本申请实施例适用但不限于这两种不同的使用场景。
S120,对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框。
步骤S120为对眼部OCT图像进行检测的步骤,确定所述眼部OCT图像中病灶区域的边界框。
在本申请实施例中利用深度学习网络模型对眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框,边界框围成的区域为框定出的病灶区域。
深度学习网络模型用于框出眼部OCT图像中的病灶区域,具体地,通过边界框框出该病灶区域。如图2所示,对眼部OCT图像进行检测,确定眼部OCT图像中病灶区域的边界框A。
当待分割的眼部OCT图像输入深度学习网络模型,深度学习网络模型输出标记有边界框的眼部OCT图像,边界框框出的区域为眼部OCT图像的病灶区域。
其中,深度学习网络模型的训练过程包括:获取大量眼部OCT样本图像;所述眼部OCT样本图像为标记病灶区域的眼部OCT样本图像;将所述样本图像分为训练样本集、验证样本集和测试样本集,根据所述训练样本集、所述验证样本集和所述测试样本集,利用反向传播算法训练深度学习网络模型。
在训练的过程中,需要获取大量的标记病灶区域的眼部OCT样本图像,示例性地,可以在原始样本集的基础上,对样本集中的眼部OCT样本图像进行裁剪,或者旋转等生成新的样本图像以扩充样本集。
需要说明的是,训练深度学习网络模型的过程可以在终端设备本地实现,还可以在与终端设备进行通信连接的其他设备上实现,当在终端设备侧将训练好的深度学习网络模型部署好,或者其他设备将训练好的深度学习网络模型推送至终端设备并部署成功后,可在终端设备上实现对获取到的待分割眼部OCT图像进行病灶区域的分割。需要说明的是,在进行病灶区域分割过程中获得的眼部OCT图像还可以用以增加训练样本集中的数据,在终端设备或其他设备端执行深度学习网络模型的进一步优化,将进一步优化的深度学习网络模型部署到终端设备中以替换之前的深度学习网络模型。通过这种方式优化深度学习网络模型,进一步提高了本申请方案的适应能力。
在训练神经网络模型的过程中,采用的损失函数可以为0-1损失函数,绝对值损失函数,对数损失函数,指数损失函数和铰链损失函数中的一种或者至少两者的组合。
深度学习网络模型可以为以人工智能中机器学习技术为基础的深度学习网络模型,包括但不限于AlexNet、VGG Net、GoogleNet、ResNet、ResNeXt、R-CNN、YOLO、SqueezeNet、SegNet或Gan等。
可选地,在本申请一非限制性示例中,如图3所示,步骤S120包括步骤S121至步骤S123。
S121,对所述眼部OCT图像进行特征提取,获得多个不同尺度的特征图。
S122,基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果。
S123,对所述融合结果进行区域提取,确定所述眼部OCT图像中病灶区域的边界框。
在本示例中,如图4所示,所述深度学习网络模型包括两个级联的深度学习网络模型,第一子网络和第二子网络。
第一子网络包括特征提取网络和注意力网络。第一子网络的特征提取网络用于提取眼部OCT图像的多个不同尺度的特征图;第一子网络的注意力网络用于基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果。第二子网络用于对所述融合结果进行区域提取,确定所述眼部OCT图像中病灶区域的边界框。
其中,如图5所示,第一子网络的特征提取网络包括4次级联的下采样和4次级联的上采样,4次下采样依次为第一下采样,第二下采样,第三下采样层和第四下采样;4次上采样依次为第一上采样,第二上采样,第三上采样和第四上采样。第四下采样的结果作为第一上采样的输入,第三下采样的结果和第一上采样的结果拼接后作为第二上采样的输入,第二下采样的结果和第二上采样的结果拼接后作为第三上采样的输入,第一下采样的结果和第三上采样的结果拼接后作为第四上采样的输入。第一子网络的注意力网络包括4个注意力模块,将特征提取网络得到的第一上采样的结果、第二上采样的结果、第三上采样的结果和第四上采样的结果分别输入1个注意力模块,各注意力模块的输出拼接后得到融合结果。
示例性地,下采样可以通过卷积层实现,上采样通过反卷积层实现。或者,下采样可以通过卷积层加池化层实现,上采样通过反卷积层加反池化层实现。
示例性地,如图6所示,注意力模块包括1个全局池化层,1个卷积层,卷积层带有BN和softmax函数。在通过注意力模块对各个层的特征进行打分时,通过softmax进行归一化,使得每一个输入的特征信息所对应的得分之和为1。
通过特征提取网络融合眼部OCT图像中的深层和浅层的特征,大大提高了利用模型进行特征提取的准确度,从而提高了后续分割结果的准确度。另外,在每个上采样后增加了注意力模块,注意力模块对相对重要的特征增大了权重,进一步提高了特征提取的准确度。
第二子网络可以为去除了特征图提取模块的原始MASK R-CNN模型或Faster R-CNN模型,也就是说,本申请示例中,用第一子网络替换掉了原始MASK R-CNN模型或FasterR-CNN模型的特征提取模块,即CNN模块。通过第二子网络对融合结果中的病灶区域进行标记。
作为本申请一示例,将去除了特征提取模块的原始MASK R-CNN模型,即第二子网络,与第一子网络中注意力模型输出的融合结果进行连接处理,以使注意力模型的输出参数能够用于作为第二子网络的输入参数,从而实现在MASK R-CNN模型中添加注意力机制。
由于MASKR-CNN模型本身具有较为稳定的性能,且泛化性和准确性相对较高,且在本申请实施例中加入了注意力机制,使得加了注意力机制的MASKR-CNN模型能够提升对不同类别的大小病灶的表达能力,因而通过利用加入了注意力机制的MASKR-CNN模型,能够提高对病灶区域识别和检测的准确性,尤其有利于对小目标病灶区域的检测。
需要说明的是,在进入MASK R-CNN模型全连接层后,还可以基于预置的类别损失函数以及边界框损失函数,对拟分割病灶区域的类别以及边界区域进行分类识别及回归定位。其中,病灶区域的类别可以设置为包括四类:视网膜内积液,视网膜下积液,视网膜下高反射物质和色数上皮脱离。
可以理解的是,此处描述的深度学习网络模型仅为示例性描述,不能解释为对发明的具体限制。
S130,对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
在本申请实施例中,通过步骤S120检测出病灶区域的边界框,然后在该边界框的基础上再进行细化分割,也就是说,步骤S120确定的初始边界框为粗定位区域,如图2中边界框A所围成的图像区域。在步骤S130中,对粗定位区域中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
如图7所示,为针对眼部OCT图像中病灶区域的边界框A,对边界框A中的病灶区域进行边缘提取的示意图。
作为本申请一非限制性示例,如图8所示,步骤S130包括步骤S131至步骤S134。
S131,获取横向卷积因子和纵向卷积因子。
在本申请示例中,横向卷积因子和纵向卷积因子可以预先在***中设置好,也可以根据需求由用户自行调整,也可以在用户调整之后将设置值设为***默认值。本申请示例对这两个卷积因子不作具体限制。
例如,卷积因子可以为索贝尔卷积因子,普利维特卷积因子,罗伯茨卷积因子等。
示例性地,***预设索贝尔卷积因子,索贝尔卷积因子的横向卷积因子为:
索贝尔卷积因子的纵向卷积因子为:
S132,利用所述横向卷积因子对所述边界框包围的区域图像进行卷积计算,得到横向梯度;利用所述纵向卷积因子对所述边界框包围的区域图像进行卷积计算,得到纵向梯度。
其中,分别将横向卷积因子和纵向卷积因子与边界框包围的区域图像进行卷积计算处理,得到横向梯度和纵向梯度。
示例性地,若***预设索贝尔卷积因子,边界框包围的区域图像用FA表示;Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值,也就是说,Gx代表横向梯度,Gy代表纵向梯度,计算公式如下:
需要说明的是,此处针对区域图像中每个像素点(x,y)计算横向梯度和纵向梯度。
S133,根据所述横向梯度和所述纵向梯度确定所述边界框中所述病灶区域的边缘。
其中,通过计算出的横向梯度以及纵向梯度来确定确定眼部OCT图像的边界框中病灶区域的边缘。
可选地,步骤S133包括:
对所述横向梯度的绝对值和所述纵向梯度的绝对值求和值,基于所述和值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度的绝对值和所述纵向梯度的绝对值求平均值,基于所述平均值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均方根,基于所述均方根确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均平方和,基于所述平方和确定所述边界框中所述病灶区域的边缘。
作为一示例,通过计算横向梯度的绝对值以及纵向梯度的绝对值的和值,基于和值来确定眼部OCT图像的边界框中病灶区域的边缘。当绝对值的算术和值超过第一预设阈值SHR1时,即|Gx|+|Gy|>SHR1时,像素点(x,y)为边缘点。
作为另一示例,通过计算横向梯度的绝对值以及纵向梯度的绝对值的平均值,基于平均值来确定眼部OCT图像的边界框中病灶区域的边缘。当平均值超过第二预设阈值SHR2时,即(|Gx|+|Gy|)/2>SHR2时,像素点(x,y)为边缘点。
作为另一示例,通过计算横向梯度以及纵向梯度的均方根,基于均方根来确定眼部OCT图像的边界框中病灶区域的边缘。当均方根超过第三预设阈值SHR3时,即(Gx 2+Gy 2)1/2>SHR3时,像素点(x,y)为边缘点。
作为另一示例,通过计算横向梯度以及纵向梯度的平方和,基于平方和来确定眼部OCT图像的边界框中病灶区域的边缘。当平方和超过第四预设阈值SHR4时,即Gx 2+Gy 2>SHR4时,像素点(x,y)为边缘点。
需要说明的是,第一预设阈值为针对绝对值的和值设置的数值,第二预设阈值是针对绝对值的均值设置的数值,第三预设阈值为针对均方根设置的数值,第四预设阈值是针对平方和设置的数值,这四个预设阈值的取值为经验值,可以预先在***中设置好,也可以根据需求由用户自行调整,也可以在用户调整之后将设置值设为***默认值,本申请对这四个阈值的取值不作具体限制。
S134,基于确定的所述边缘得到所述病灶区域的分割结果。
其中,通过步骤S133确定了病灶区域的边缘点,那么边缘点围成的像素连通区域则是病灶区域的分割结果。需要说明的是,分割结果中可能包括不止一个像素连通区域,有多少个像素连通区域,由检测出的边缘点围成几个区域决定。继续参见图7所示,分割结果中包括多个像素连通区域。
本申请实施例中,先确定眼部OCT图像中病灶区域的边界框,然后再对边界框中的病灶区域进行边缘提取,获得眼部OCT图像病灶区域的分割结果,一方面,先确定病灶区域边界框,再针对边界框中图像区域进行边缘提取,更加准确地实现了对病灶区域的分割;另一方面,由于边缘提取仅针对边界框中图像区域,提高了分割效率,降低了数据处理量,减少了***资源占用。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的眼部OCT图像病灶区域的分割方法,图9示出了本申请实施例提供的眼部OCT图像病灶区域的分割装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图9,该装置包括:
获取模块91,用于获取待分割的眼部OCT图像;
检测模块92,用于对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;
提取模块93,用于对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
可选地,所述检测模块92,具体用于:
对所述眼部OCT图像进行特征提取,获得多个不同尺度的特征图;
基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果;
对所述融合结果进行区域提取,确定所述眼部OCT图像中病灶区域的边界框。
可选地,所述对所述眼部OCT图像进行特征提取,获得多个不同尺度的特征图;基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果,包括:
利用特征提取网络对所述眼部OCT图像进行特征提取,获得所述眼部OCT图像的多个不同尺度的特征图;
将每个不同尺度的所述特征图分别输入一个注意力模块,将所有注意力模块的输出进行拼接,得到融合结果。
可选地,所述特征提取网络包括多次级联的下采样和多次级联的上采样,多次上采样得到的结果为多个不同尺度的特征图。
可选地,所述特征提取网络包括4次级联的下采样和4次级联的上采样,4次下采样依次为第一下采样,第二下采样,第三下采样层和第四下采样;4次上采样依次为第一上采样,第二上采样,第三上采样和第四上采样;第四下采样的结果作为第一上采样的输入,第三下采样的结果和第一上采样的结果拼接后作为第二上采样的输入,第二下采样的结果和第二上采样的结果拼接后作为第三上采样的输入,第一下采样的结果和第三上采样的结果拼接后作为第四上采样的输入;第一上采样的结果、第二上采样的结果、第三上采样的结果和第四上采样的结果为4个不同尺度的特征图。
可选地,所述提取模块93,具体用于:
获取横向卷积因子和纵向卷积因子;
利用所述横向卷积因子对所述边界框包围的区域图像进行卷积计算,得到横向梯度;利用所述纵向卷积因子对所述边界框包围的区域图像进行卷积计算,得到纵向梯度;
根据所述横向梯度和所述纵向梯度确定所述边界框中所述病灶区域的边缘;
基于确定的所述边缘得到所述病灶区域的分割结果。
可选地,所述根据所述横向梯度和所述纵向梯度确定所述边界框中所述病灶区域的边缘,包括:
对所述横向梯度的绝对值和所述纵向梯度的绝对值求和值,基于所述和值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度的绝对值和所述纵向梯度的绝对值求平均值,基于所述平均值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均方根,基于所述均方根确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均平方和,基于所述平方和确定所述边界框中所述病灶区域的边缘。
需要说明的是,上述模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图10为本申请一实施例提供的终端设备的结构示意图。如图10所示,该实施例的终端设备10包括:至少一个处理器100(图10中仅示出一个处理器)、存储器101以及存储在所述存储器101中并可在所述至少一个处理器100上运行的计算机程序102,所述处理器100执行所述计算机程序102时实现上述各个方法实施例中的步骤。例如图1所示的步骤S110至步骤S130。
所述终端设备可包括但不仅限于处理器100、存储器101。本领域技术人员可以理解,图10仅仅是终端设备10的示例,并不构成对终端设备10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述心电图机还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述终端设备10的内部存储单元,例如终端设备10的硬盘或内存。所述存储器101也可以是所述终端设备10的外部存储设备,例如所述终端设备10上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的终端设备和方法,可以通过其它的方式实现。例如,以上所描述的终端设备实施例仅仅是示意性的。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种眼部OCT图像病灶区域的分割方法,其特征在于,包括:
获取待分割的眼部OCT图像;
对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;
对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
2.如权利要求1所述的分割方法,其特征在于,所述对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框,包括:
对所述眼部OCT图像进行特征提取,获得多个不同尺度的特征图;
基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果;
对所述融合结果进行区域提取,确定所述眼部OCT图像中病灶区域的边界框。
3.如权利要求2所述的分割方法,其特征在于,所述对所述眼部OCT图像进行特征提取,获得多个不同尺度的特征图;基于注意力机制将多个不同尺度的所述特征图进行融合,得到融合结果,包括:
利用特征提取网络对所述眼部OCT图像进行特征提取,获得所述眼部OCT图像的多个不同尺度的特征图;
将每个不同尺度的所述特征图分别输入一个注意力模块,将所有注意力模块的输出进行拼接,得到融合结果。
4.如权利要求3所述的分割方法,其特征在于,所述特征提取网络包括多次级联的下采样和多次级联的上采样,多次上采样得到的结果为多个不同尺度的特征图。
5.如权利要求4所述的分割方法,其特征在于,所述特征提取网络包括4次级联的下采样和4次级联的上采样,4次下采样依次为第一下采样,第二下采样,第三下采样层和第四下采样;4次上采样依次为第一上采样,第二上采样,第三上采样和第四上采样;第四下采样的结果作为第一上采样的输入,第三下采样的结果和第一上采样的结果拼接后作为第二上采样的输入,第二下采样的结果和第二上采样的结果拼接后作为第三上采样的输入,第一下采样的结果和第三上采样的结果拼接后作为第四上采样的输入;第一上采样的结果、第二上采样的结果、第三上采样的结果和第四上采样的结果为4个不同尺度的特征图。
6.如权利要求2所述的分割方法,其特征在于,所述对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果,包括:
获取横向卷积因子和纵向卷积因子;
利用所述横向卷积因子对所述边界框包围的区域图像进行卷积计算,得到横向梯度;利用所述纵向卷积因子对所述边界框包围的区域图像进行卷积计算,得到纵向梯度;
根据所述横向梯度和所述纵向梯度确定所述边界框中所述病灶区域的边缘;
基于确定的所述边缘得到所述病灶区域的分割结果。
7.如权利要求6所述的分割方法,其特征在于,所述根据所述横向梯度和所述纵向梯度确定所述边界框中所述病灶区域的边缘,包括:
对所述横向梯度的绝对值和所述纵向梯度的绝对值求和值,基于所述和值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度的绝对值和所述纵向梯度的绝对值求平均值,基于所述平均值确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均方根,基于所述均方根确定所述边界框中所述病灶区域的边缘;或
对所述横向梯度和所述纵向梯度求均平方和,基于所述平方和确定所述边界框中所述病灶区域的边缘。
8.一种眼部OCT图像病灶区域的分割装置,其特征在于,包括:
获取模块,用于获取待分割的眼部OCT图像;
检测模块,用于对所述眼部OCT图像进行检测,确定所述眼部OCT图像中病灶区域的边界框;
提取模块,用于对所述边界框中的所述病灶区域进行边缘提取,得到所述病灶区域的分割结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911043286.0A CN110889826B (zh) | 2019-10-30 | 2019-10-30 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
PCT/CN2020/111734 WO2021082691A1 (zh) | 2019-10-30 | 2020-08-27 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911043286.0A CN110889826B (zh) | 2019-10-30 | 2019-10-30 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889826A true CN110889826A (zh) | 2020-03-17 |
CN110889826B CN110889826B (zh) | 2024-04-19 |
Family
ID=69746571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911043286.0A Active CN110889826B (zh) | 2019-10-30 | 2019-10-30 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110889826B (zh) |
WO (1) | WO2021082691A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理***及方法 |
CN112365973A (zh) * | 2020-11-02 | 2021-02-12 | 太原理工大学 | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** |
CN112734787A (zh) * | 2020-12-31 | 2021-04-30 | 山东大学 | 基于图像分解的眼科sd-oct高反射点分割方法及实现*** |
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 |
CN112906658A (zh) * | 2021-03-30 | 2021-06-04 | 航天时代飞鸿技术有限公司 | 一种无人机侦查地面目标的轻量化自动检测方法 |
CN113140291A (zh) * | 2020-12-17 | 2021-07-20 | 慧影医疗科技(北京)有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
CN113158821A (zh) * | 2021-03-29 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 基于多模态的眼部检测数据的处理方法、装置及终端设备 |
WO2021159643A1 (zh) * | 2020-02-11 | 2021-08-19 | 平安科技(深圳)有限公司 | 基于眼部oct图像的视杯和视盘定位点检测方法及装置 |
CN113520317A (zh) * | 2021-07-05 | 2021-10-22 | 汤姆飞思(香港)有限公司 | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 |
CN113570556A (zh) * | 2021-07-08 | 2021-10-29 | 北京大学第三医院(北京大学第三临床医学院) | 眼部染色图像定级方法及装置 |
CN115187579A (zh) * | 2022-08-11 | 2022-10-14 | 北京医准智能科技有限公司 | 一种图像类别判定方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017104535A (ja) * | 2015-12-02 | 2017-06-15 | 株式会社ニデック | 眼科情報処理装置、および眼科情報処理プログラムに関する。 |
CN108198185A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
CN108229531A (zh) * | 2017-09-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象特征处理方法、装置、存储介质和电子设备 |
CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
CN110120047A (zh) * | 2019-04-04 | 2019-08-13 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN110148111A (zh) * | 2019-04-01 | 2019-08-20 | 江西比格威医疗科技有限公司 | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 |
CN110378877A (zh) * | 2019-06-24 | 2019-10-25 | 南京理工大学 | 基于深度卷积网络模型的sd-oct图像cnv病变检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8873810B2 (en) * | 2009-03-02 | 2014-10-28 | Honeywell International Inc. | Feature-based method and system for blur estimation in eye images |
CN109493954B (zh) * | 2018-12-20 | 2021-10-19 | 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*** |
CN109829894B (zh) * | 2019-01-09 | 2022-04-26 | 平安科技(深圳)有限公司 | 分割模型训练方法、oct图像分割方法、装置、设备及介质 |
CN110033456B (zh) * | 2019-03-07 | 2021-07-09 | 腾讯科技(深圳)有限公司 | 一种医疗影像的处理方法、装置、设备和*** |
CN109919954B (zh) * | 2019-03-08 | 2021-06-15 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
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 |
-
2019
- 2019-10-30 CN CN201911043286.0A patent/CN110889826B/zh active Active
-
2020
- 2020-08-27 WO PCT/CN2020/111734 patent/WO2021082691A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017104535A (ja) * | 2015-12-02 | 2017-06-15 | 株式会社ニデック | 眼科情報処理装置、および眼科情報処理プログラムに関する。 |
CN108229531A (zh) * | 2017-09-29 | 2018-06-29 | 北京市商汤科技开发有限公司 | 对象特征处理方法、装置、存储介质和电子设备 |
CN108198185A (zh) * | 2017-11-20 | 2018-06-22 | 海纳医信(北京)软件科技有限责任公司 | 眼底病灶图像的分割方法及、装置、存储介质、处理器 |
CN110148111A (zh) * | 2019-04-01 | 2019-08-20 | 江西比格威医疗科技有限公司 | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 |
CN110120047A (zh) * | 2019-04-04 | 2019-08-13 | 平安科技(深圳)有限公司 | 图像分割模型训练方法、图像分割方法、装置、设备及介质 |
CN110097559A (zh) * | 2019-04-29 | 2019-08-06 | 南京星程智能科技有限公司 | 基于深度学习的眼底图像病灶区域标注方法 |
CN110378877A (zh) * | 2019-06-24 | 2019-10-25 | 南京理工大学 | 基于深度卷积网络模型的sd-oct图像cnv病变检测方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2021159643A1 (zh) * | 2020-02-11 | 2021-08-19 | 平安科技(深圳)有限公司 | 基于眼部oct图像的视杯和视盘定位点检测方法及装置 |
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理***及方法 |
CN112365973A (zh) * | 2020-11-02 | 2021-02-12 | 太原理工大学 | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** |
CN112365973B (zh) * | 2020-11-02 | 2022-04-19 | 太原理工大学 | 基于对抗网络和Faster R-CNN的肺结节辅助诊断*** |
CN113140291B (zh) * | 2020-12-17 | 2022-05-10 | 慧影医疗科技(北京)股份有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
CN113140291A (zh) * | 2020-12-17 | 2021-07-20 | 慧影医疗科技(北京)有限公司 | 图像分割方法、装置、模型训练方法及电子设备 |
CN112734787A (zh) * | 2020-12-31 | 2021-04-30 | 山东大学 | 基于图像分解的眼科sd-oct高反射点分割方法及实现*** |
CN112734787B (zh) * | 2020-12-31 | 2022-07-15 | 山东大学 | 基于图像分解的眼科sd-oct高反射点分割方法及实现*** |
CN113158821A (zh) * | 2021-03-29 | 2021-07-23 | 中国科学院深圳先进技术研究院 | 基于多模态的眼部检测数据的处理方法、装置及终端设备 |
CN113158821B (zh) * | 2021-03-29 | 2024-04-12 | 中国科学院深圳先进技术研究院 | 基于多模态的眼部检测数据的处理方法、装置及终端设备 |
CN112906658A (zh) * | 2021-03-30 | 2021-06-04 | 航天时代飞鸿技术有限公司 | 一种无人机侦查地面目标的轻量化自动检测方法 |
CN113520317A (zh) * | 2021-07-05 | 2021-10-22 | 汤姆飞思(香港)有限公司 | 基于oct的子宫内膜检测分析方法、装置、设备及存储介质 |
CN113570556A (zh) * | 2021-07-08 | 2021-10-29 | 北京大学第三医院(北京大学第三临床医学院) | 眼部染色图像定级方法及装置 |
CN115187579A (zh) * | 2022-08-11 | 2022-10-14 | 北京医准智能科技有限公司 | 一种图像类别判定方法、装置及电子设备 |
CN115187579B (zh) * | 2022-08-11 | 2023-05-02 | 北京医准智能科技有限公司 | 一种图像类别判定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110889826B (zh) | 2024-04-19 |
WO2021082691A1 (zh) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
CN110120047B (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和*** | |
Sopharak et al. | Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
CN110874594A (zh) | 基于语义分割网络的人体外表损伤检测方法及相关设备 | |
CN107665491A (zh) | 病理图像的识别方法及*** | |
CN108198185B (zh) | 眼底病灶图像的分割方法及、装置、存储介质、处理器 | |
CN111860169B (zh) | 皮肤分析方法、装置、存储介质及电子设备 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112508965A (zh) | 医学影像中正常器官的轮廓线自动勾画*** | |
Veiga et al. | Quality evaluation of digital fundus images through combined measures | |
CN113158821B (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
CN113643354B (zh) | 基于增强分辨率的眼底图像的血管管径的测量装置 | |
CN114782337A (zh) | 基于人工智能的oct图像推荐方法、装置、设备及介质 | |
CN111311565A (zh) | 基于眼部oct图像的视杯和视盘定位点检测方法及装置 | |
Zhang et al. | Reconnection of interrupted curvilinear structures via cortically inspired completion for ophthalmologic images | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及*** | |
CN112541900B (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
CN110598652B (zh) | 眼底数据预测方法和设备 | |
JP5740403B2 (ja) | 網膜の異常を検出するためのシステムおよび方法 | |
Jana et al. | A semi-supervised approach for automatic detection and segmentation of optic disc from retinal fundus image | |
CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40023194 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |