CN111145155A - 一种睑板腺腺体的识别方法 - Google Patents

一种睑板腺腺体的识别方法 Download PDF

Info

Publication number
CN111145155A
CN111145155A CN201911366965.1A CN201911366965A CN111145155A CN 111145155 A CN111145155 A CN 111145155A CN 201911366965 A CN201911366965 A CN 201911366965A CN 111145155 A CN111145155 A CN 111145155A
Authority
CN
China
Prior art keywords
gland
image
glands
meibomian
meibomian gland
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
CN201911366965.1A
Other languages
English (en)
Other versions
CN111145155B (zh
Inventor
杨云霏
王峥
陈文光
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.)
Shanghai Mediworks Precision Instrument Co ltd
Original Assignee
Shanghai Mediworks Precision Instrument 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 Shanghai Mediworks Precision Instrument Co ltd filed Critical Shanghai Mediworks Precision Instrument Co ltd
Priority to CN201911366965.1A priority Critical patent/CN111145155B/zh
Publication of CN111145155A publication Critical patent/CN111145155A/zh
Application granted granted Critical
Publication of CN111145155B publication Critical patent/CN111145155B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种睑板腺腺体的识别方法，包括获取并预处理睑板腺图像；筛选后去除亮斑；增强睑板腺图像；提取腺体边缘信息，生成包络腺体的mask；提取腺体图像，去除噪声点和离散点，计算腺体的平均宽度和腺体间隙的平均宽度；计算腺体占比，画出腺体轮廓，细化腺体，去除横向连接线，去除毛刺，去除闭合的腺体轮廓，得到每根腺体的中心线；计算每条中心线的长度，若中心线的长度小于设定最小长度值时，判断为腺体缺失并提示；计算每条中心线的扭曲度，若中心线的扭曲度大于设定最大扭曲值时，判断为腺体已扭曲并提示；具有快速客观定量的给医师提供诊断必要的诊断参数，还能提供更多的腺体形态学分析、腺体病变类别提示的优点。

Description

一种睑板腺腺体的识别方法
技术领域
本发明涉及睑板腺识别技术领域，尤其是涉及一种睑板腺腺体的识别方法。
背景技术
医生评价睑板腺的缺失和分级主要是通过肉眼观察，然后人工对比后进行主观判断，将拍摄的睑板图片通过与缺失0级、1级、2级、3级的标准图对比，主观判断该检查者的睑板腺是属于哪一级的。具体的腺体病变位置和类型都需要医生自己在图像中寻找。如果医生想要得到更多更细的指标，比如腺体占比、腺体缺失率、腺体长度、腺体面积、腺体扭曲度，这些是无法评估的。
上述中的现有技术方案存在以下缺陷：现有的人工对比方法不够客观准确，且增大了医师的工作量。
发明内容
针对现有技术存在的不足，本发明的目的之一是提供一种睑板腺腺体的识别方法，其具有快速客观定量的给医师提供诊断必要的诊断参数，还能提供更多的腺体形态学分析、腺体病变类别提示的优点。
为实现上述目的，本发明提供了如下技术方案：
一种睑板腺腺体的识别方法，包括如下步骤：
S100：获取至少一张睑板腺图像；
S200：预处理所述睑板腺图像；
S300：根据设定亮斑像素值筛选亮斑，去除所述睑板腺图像中的亮斑；
S400：使用基于局部标准差的局部对比增强方法增强所述睑板腺图像，公式为：
Figure 877662DEST_PATH_IMAGE002
，其中，x(i,j)是图像中某点的灰度值，
Figure 903387DEST_PATH_IMAGE004
表示x(i,j)对应的增强后的像素值，
Figure 842524DEST_PATH_IMAGE006
是以（i，j）为中心的局部均值即低频信息，
Figure 212063DEST_PATH_IMAGE008
是以（i，j)为中心的局部均方差，D的取值为常数；
S500：从所述睑板腺图像中提取腺体边缘信息，生成包络腺体的mask，根据灰度值划分出至少四个区域，最亮和最暗的区域为非腺体区域，第二亮的区域为腺体区域，置信度100%，第三亮的区域为疑似腺体区域，置信度50%；
S600：基于包络腺体的mask，使用自适应均值阈值提取腺体图像，去除所述腺体图像中的噪声点和离散点，计算所述腺体图像中腺体的平均宽度和腺体间隙的平均宽度；
S700：计算腺体占比，在所述睑板腺图像中画出所述腺体图像的腺体轮廓，细化所述腺体图像中的腺体，去除横向连接线，去除所述腺体图像中腺体区域毛刺，去除闭合的腺体轮廓，得到每根腺体的中心线；
S800：计算每条所述中心线的长度，若所述中心线的长度小于设定最小长度值时，判断为腺体缺失并提示；计算每条所述中心线的扭曲度，若所述中心线的扭曲度大于设定最大扭曲值时，判断为腺体已扭曲并提示；计算并显示睑板腺缺失率。
通过采用上述技术方案，使用图像增强有效凸出图像细节，使用自适应均值阈值可以避免光照不均对腺体提取的影响，再去除非腺体信息，选择性计算腺体的形态学参数，该过程可自动完成计算，最终得出中心线，并通过中心线可以更好地识别或者辅助医生看出腺体是否有分叉，是否有断裂缺失或者是否过于扭曲而影响腺体分泌功能，并对识别出的问题进行提示，具有快速客观定量的给医师提供诊断必要的诊断参数，还能提供更多的腺体形态学分析、腺体病变类别提示的优点。
本发明在一较佳示例中可以进一步配置为：所述步骤S200中，还包括：
S210：将所述睑板腺图像的尺寸转换设置为设定图像尺寸；
S220：提高所述睑板腺图像的对比度；
S230：去除所述睑板腺图像的噪点。
通过采用上述技术方案，去除环境因素留在图像中的干扰信息，提高图像中腺体识别的准确率。
本发明在一较佳示例中可以进一步配置为：所述步骤S300中，还包括：
S310：根据预设的梯度信息与预设的亮度信息提取亮斑区域；
S320：获取所述亮斑区域周围设定范围内像素点的灰度值；
S330：使用线性插值法填充所述亮斑区域。
通过采用上述技术方案，检查者的睑板区域含有泪液，泪液会反光而干扰图像，需要首先进行去亮斑操作。
本发明在一较佳示例中可以进一步配置为：所述步骤S400中，D为全局均方差或全局平均值，或者D也可为选定区域均方差或者选定区域平均值；
若D为区域局部均方差，则使用灰度图的平方积分快速计算得出，其时间复杂度为常数。
通过采用上述技术方案，可以有效且快速地放大所有高频部分、突出图像细节。
本发明在一较佳示例中可以进一步配置为：所述步骤S500中，还包括：
S510：根据腺体边缘的方向信息、长度信息、位置信息，匹配正确的腺体的可能性值；
S520：判断若腺体的可能性值低于设定最低可能值，则判断为肌肉类的细节非腺体信息，去除肌肉类的细节非腺体信息。
通过采用上述技术方案，判断并去除肌肉类的细节非腺体信息，提高后续方法腺体处理的准确性。
本发明在一较佳示例中可以进一步配置为：所述步骤S600中，还包括：使用高斯滤波方法去除噪声点和离散点。
通过采用上述技术方案，让后续计算得到的宽度值更准确。
本发明在一较佳示例中可以进一步配置为：所述步骤S600中，还包括：所述自适应均值阈值自乘偏差权重系数，所述偏差权重系数为获取图像过程偏差权重。
通过采用上述技术方案，考虑到图像拍摄时的设备误差，对误差进行纠正，提高识别的准确度。
本发明在一较佳示例中可以进一步配置为：所述步骤S700中，还包括：
S710：计算所述腺体轮廓中任意两点形成的相量，取最长的相量为方向相量；
S720，取所述方向相量的垂直线穿过所述纤体轮廓后的交点，计算交点坐标的平均值，测出中点，多个所述中点依次连线得到所述中心线。
通过采用上述技术方案，使用最小的计算量，更快速地得出中心线。
本发明在一较佳示例中可以进一步配置为：所述步骤S800中，还包括：
S810：计算相邻所述中心线之间的长度差；
S820：计算相邻所述中心线之间最近的三个端部之间距离和；
S830：若判断长度差大于设定长度值，若距离和小于设定距离值，则判断该组相邻所述中心线为分叉腺体并提示。
通过采用上述技术方案，通过中心线可以分析腺体是否有分叉，辅助医生诊断。
本发明在一较佳示例中可以进一步配置为：所述睑板腺图像基于红外光线采集。
综上所述，本发明包括以下至少一种有益技术效果：提高对比度后去除噪点可以去除环境因素在图像中的干扰，使用线性插值法填充图像中的亮斑可以去除图中眼泪的反光，使用基于局部标准差的局部对比增强方法增强有效凸出图像细节，使用自适应均值阈值可以避免光照不均对腺体提取的影响，再去除非腺体信息，选择性计算腺体的形态学参数，该过程可自动完成计算，最终得出中心线，并通过中心线可以更好地识别或者辅助医生看出腺体是否有分叉，是否有断裂缺失或者是否过于扭曲而影响腺体分泌功能，并对识别出的问题进行提示，具有快速客观定量的给医师提供诊断必要的诊断参数，还能提供更多的腺体形态学分析、腺体病变类别提示的优点。
附图说明
图1为本发明的方法流程示意图；
图2为去亮斑效果示意图；
图3为腺体增强效果示意图；
图4为根据腺体边缘筛选腺体效果示意图；
图5为腺体提取结果示意图；
图6为结果显示图；
图7为提取中心线效果图；
图8为每条腺体的扭曲度示意图。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
参照图1，为本发明公开的一种睑板腺腺体的识别方法，包括如下步骤：
S100：获取至少一张睑板腺图像。睑板腺图像基于红外光线采集。本技术方案中的方法可应用于裂隙灯、干眼设备的睑板腺功能模块，对于上述两种设备通过红外光线采集到的图片均可处理。若拍摄的图片过大，图片中包含的干扰特征过多，医生可手动圈选需要诊断的睑板区域，接下来的图像处理只针对圈选的区域进行；医师手动圈选区域的好处是可以自由的选择感兴趣区域，如病变区域、合焦最清晰区域、中央腺体区域；之后的算法只会针对圈选的区域进行，并给出具体指标如：腺体占比、腺体缺失率、腺体长度、扭曲度等等。
S200：预处理睑板腺图像。步骤S200中，还包括：S210：将睑板腺图像的尺寸转换设置为设定图像尺寸。S220：提高睑板腺图像的对比度。S230：去除睑板腺图像的噪点。去除环境因素留在图像中的干扰信息，提高图像中腺体识别的准确率。可使用高斯算法滤去噪点。
S300：根据设定亮斑像素值筛选亮斑，去除睑板腺图像中的亮斑。如图2所示，步骤S300中，还包括：S310：根据预设的梯度信息与预设的亮度信息提取亮斑区域。S320：获取亮斑区域周围设定范围内像素点的灰度值。S330：使用线性插值法填充亮斑区域。检查者的睑板区域含有泪液，泪液会反光而干扰图像，需要首先进行去亮斑操作。
S400：使用基于局部标准差的局部对比增强方法增强睑板腺图像，公式为：
Figure DEST_PATH_IMAGE009
，其中，x(i,j)是图像中某点的灰度值，f(i,j)表示x(i,j)对应的增强后的像素值，mx(i,j)是以（i，j）为中心的局部均值即低频信息，
Figure 490729DEST_PATH_IMAGE008
是以（i，j)为中心的局部均方差，D的取值为常数。如图3所示，步骤S400中，D为全局均方差或全局平均值，或者D也可为选定区域均方差或者选定区域平均值。若D为区域局部均方差，则使用灰度图的平方积分快速计算得出，其时间复杂度为常数。可以有效且快速地放大所有高频部分、突出图像细节。局部区域的定义为：以(i，j)为中心，窗口大小为(2n+1)*(2n+1)的区域，其中n为一个整数。当然这个窗口区域也不一定就要是正方形。局部的平均值，也就是低频部分，可以用下式计算：
Figure DEST_PATH_IMAGE010
。局部方差计算公式为：
Figure DEST_PATH_IMAGE011
。
S500：从睑板腺图像中提取腺体边缘信息，生成包络腺体的mask，根据灰度值划分出至少四个区域，最亮和最暗的区域为非腺体区域，第二亮的区域为腺体区域，置信度100%，第三亮的区域为疑似腺体区域，置信度50%。如图4所示，步骤S500中，还包括：S510：根据腺体边缘的方向信息、长度信息、位置信息，匹配正确的腺体的可能性值。S520：判断若腺体的可能性值低于设定最低可能值，则判断为肌肉类的细节非腺体信息，去除肌肉类的细节非腺体信息。判断并去除肌肉类的细节非腺体信息，提高后续方法腺体处理的准确性。
S600：基于包络腺体的mask，使用自适应均值阈值提取腺体图像，去除腺体图像中的噪声点和离散点，计算腺体图像中腺体的平均宽度和腺体间隙的平均宽度。如图5所示，步骤S600中，还包括：使用高斯滤波方法去除噪声点和离散点。让后续计算得到的宽度值更准确。自适应均值阈值自乘偏差权重系数，偏差权重系数为获取图像过程偏差权重。考虑到图像拍摄时的设备误差，对误差进行纠正，提高识别的准确度。
S700：计算腺体占比，在睑板腺图像中画出腺体图像的腺体轮廓，细化腺体图像中的腺体，去除横向连接线，去除腺体图像中腺体区域毛刺，去除闭合的腺体轮廓，得到每根腺体的中心线。如图6与图7所示，步骤S700中，还包括：S710：计算腺体轮廓中任意两点形成的相量，取最长的相量为方向相量。S720，取方向相量的垂直线穿过纤体轮廓后的交点，计算交点坐标的平均值，测出中点，多个中点依次连线得到中心线。使用最小的计算量，更快速地得出中心线。
S800：计算每条中心线的长度，若中心线的长度小于设定最小长度值时，判断为腺体缺失并提示；计算每条中心线的扭曲度，若中心线的扭曲度大于设定最大扭曲值时，判断为腺体已扭曲并提示，如图8所示，；计算并显示睑板腺缺失率，睑板腺缺失条数除以睑板腺总数可得。步骤S800中，还包括：S810：计算相邻中心线之间的长度差。S820：计算相邻中心线之间最近的三个端部之间距离和。S830：若判断长度差大于设定长度值，若距离和小于设定距离值，则判断该组相邻中心线为分叉腺体并提示。通过中心线可以分析腺体是否有分叉，辅助医生诊断。图8中，共17根腺体，数据如下表：
Figure DEST_PATH_IMAGE013
通过中心线可以更好的看出腺体是否有分叉，如第7、8根腺体、 13、14根腺体为分叉腺体。如腺体长度小于100，应考虑该腺体是否有断裂缺失。如扭曲度大于0.25，应考虑腺体是否过于扭曲影响腺体分泌功能。
本实施例的实施原理为：使用图像增强有效凸出图像细节，使用自适应均值阈值可以避免光照不均对腺体提取的影响，再去除非腺体信息，选择性计算腺体的形态学参数，该过程可自动完成计算，最终得出中心线，并通过中心线可以更好地识别或者辅助医生看出腺体是否有分叉，是否有断裂缺失或者是否过于扭曲而影响腺体分泌功能，并对识别出的问题进行提示，具有快速客观定量的给医师提供诊断必要的诊断参数，还能提供更多的腺体形态学分析、腺体病变类别提示的优点。方法不仅可以快速客观定量的给医师提供诊断必要的诊断参数，还可以提供更深入的腺体形态学分析，腺体病变类别提示等功能。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种睑板腺腺体的识别方法，其特征在于，包括如下步骤：
S100：获取至少一张睑板腺图像；
S200：预处理所述睑板腺图像；
S300：根据设定亮斑像素值筛选亮斑，去除所述睑板腺图像中的亮斑；
S400：使用基于局部标准差的局部对比增强方法增强所述睑板腺图像，公式为：
Figure 521679DEST_PATH_IMAGE002
，其中，x(i,j)是图像中某点的灰度值，
Figure 110923DEST_PATH_IMAGE004
表示x(i,j)对应的增强后的像素值，
Figure 61300DEST_PATH_IMAGE006
是以（i，j）为中心的局部均值即低频信息，
Figure 253247DEST_PATH_IMAGE008
是以（i，j)为中心的局部均方差，D的取值为常数；
S500：从所述睑板腺图像中提取腺体边缘信息，生成包络腺体的mask，根据灰度值划分出至少四个区域，最亮和最暗的区域为非腺体区域，第二亮的区域为腺体区域，置信度100%，第三亮的区域为疑似腺体区域，置信度50%；
S600：基于包络腺体的mask，使用自适应均值阈值提取腺体图像，去除所述腺体图像中的噪声点和离散点，计算所述腺体图像中腺体的平均宽度和腺体间隙的平均宽度；
S700：计算腺体占比，在所述睑板腺图像中画出所述腺体图像的腺体轮廓，细化所述腺体图像中的腺体，去除横向连接线，去除所述腺体图像中腺体区域毛刺，去除闭合的腺体轮廓，得到每根腺体的中心线；
S800：计算每条所述中心线的长度，若所述中心线的长度小于设定最小长度值时，判断为腺体缺失并提示；计算每条所述中心线的扭曲度，若所述中心线的扭曲度大于设定最大扭曲值时，判断为腺体已扭曲并提示；计算并显示睑板腺缺失率。
2.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S200中，还包括：
S210：将所述睑板腺图像的尺寸转换设置为设定图像尺寸；
S220：提高所述睑板腺图像的对比度；
S230：去除所述睑板腺图像的噪点。
3.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S300中，还包括：
S310：根据预设的梯度信息与预设的亮度信息提取亮斑区域；
S320：获取所述亮斑区域周围设定范围内像素点的灰度值；
S330：使用线性插值法填充所述亮斑区域。
4.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S400中，D为全局均方差或全局平均值，或者D也可为选定区域均方差或者选定区域平均值；
若D为区域局部均方差，则使用灰度图的平方积分快速计算得出，其时间复杂度为常数。
5.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S500中，还包括：
S510：根据腺体边缘的方向信息、长度信息、位置信息，匹配正确的腺体的可能性值；
S520：判断若腺体的可能性值低于设定最低可能值，则判断为肌肉类的细节非腺体信息，去除肌肉类的细节非腺体信息。
6.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S600中，还包括：使用高斯滤波方法去除噪声点和离散点。
7.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S600中，还包括：所述自适应均值阈值自乘偏差权重系数，所述偏差权重系数为获取图像过程偏差权重。
8.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S700中，还包括：
S710：计算所述腺体轮廓中任意两点形成的相量，取最长的相量为方向相量；
S720，取所述方向相量的垂直线穿过所述纤体轮廓后的交点，计算交点坐标的平均值，测出中点，多个所述中点依次连线得到所述中心线。
9.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述步骤S800中，还包括：
S810：计算相邻所述中心线之间的长度差；
S820：计算相邻所述中心线之间最近的三个端部之间距离和；
S830：若判断长度差大于设定长度值，若距离和小于设定距离值，则判断该组相邻所述中心线为分叉腺体并提示。
10.根据权利要求1所述的睑板腺腺体的识别方法，其特征在于，所述睑板腺图像基于红外光线采集。
CN201911366965.1A 2019-12-26 2019-12-26 一种睑板腺腺体的识别方法 Active CN111145155B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911366965.1A CN111145155B (zh) 2019-12-26 2019-12-26 一种睑板腺腺体的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911366965.1A CN111145155B (zh) 2019-12-26 2019-12-26 一种睑板腺腺体的识别方法

Publications (2)

Publication Number Publication Date
CN111145155A true CN111145155A (zh) 2020-05-12
CN111145155B CN111145155B (zh) 2023-05-26

Family

ID=70520632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911366965.1A Active CN111145155B (zh) 2019-12-26 2019-12-26 一种睑板腺腺体的识别方法

Country Status (1)

Country Link
CN (1) CN111145155B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111528789A (zh) * 2020-05-27 2020-08-14 复旦大学附属眼耳鼻喉科医院 一种对睑板腺腺体清晰度评估的图像检测方法
CN115019379A (zh) * 2022-05-31 2022-09-06 福州大学 一种人机协同的红外睑板腺图像量化分析方法
CN117314911A (zh) * 2023-11-29 2023-12-29 美迪信(天津)有限责任公司 一种优化眼部医学图像的方法、装置和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109193A1 (en) * 2012-01-18 2013-07-25 Agency For Science, Technology And Research Computational methods and apparatus for meiboqraphy
CN106530294A (zh) * 2016-11-04 2017-03-22 中山大学中山眼科中心 一种对睑板腺图像进行处理以获得腺体参数的信息的方法
CN109785321A (zh) * 2019-01-30 2019-05-21 杭州又拍云科技有限公司 基于深度学习和Gabor滤波器的睑板腺区域提取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013109193A1 (en) * 2012-01-18 2013-07-25 Agency For Science, Technology And Research Computational methods and apparatus for meiboqraphy
CN104185858A (zh) * 2012-01-18 2014-12-03 新加坡科技研究局 睑板腺成像的计算方法和装置
CN106530294A (zh) * 2016-11-04 2017-03-22 中山大学中山眼科中心 一种对睑板腺图像进行处理以获得腺体参数的信息的方法
CN109785321A (zh) * 2019-01-30 2019-05-21 杭州又拍云科技有限公司 基于深度学习和Gabor滤波器的睑板腺区域提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲁静: "正常人群睑板腺形态研究", 中国实用眼科杂志 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111528789A (zh) * 2020-05-27 2020-08-14 复旦大学附属眼耳鼻喉科医院 一种对睑板腺腺体清晰度评估的图像检测方法
CN115019379A (zh) * 2022-05-31 2022-09-06 福州大学 一种人机协同的红外睑板腺图像量化分析方法
CN117314911A (zh) * 2023-11-29 2023-12-29 美迪信(天津)有限责任公司 一种优化眼部医学图像的方法、装置和存储介质
CN117314911B (zh) * 2023-11-29 2024-03-01 美迪信(天津)有限责任公司 一种优化眼部医学图像的方法、装置和存储介质

Also Published As

Publication number Publication date
CN111145155B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN109493954B (zh) 一种基于类别判别定位的sd-oct图像视网膜病变检测***
EP2188779B1 (en) Extraction method of tongue region using graph-based approach and geometric properties
CN111145155A (zh) 一种睑板腺腺体的识别方法
CN108272434B (zh) 对眼底图像进行处理的方法及装置
JP2004032684A (ja) 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置
CN110930446B (zh) 一种眼底图像定量分析的前置处理方法及存储设备
CN111507932B (zh) 高特异性的糖尿病性视网膜病变特征检测方法及存储设备
CN116236150A (zh) 基于眼底图像的动静脉血管图像分割方法
CN117422628B (zh) 一种心脏血管超声检查数据优化增强方法
Diaz et al. Glaucoma diagnosis by means of optic cup feature analysis in color fundus images
CN117649357A (zh) 一种基于图像增强的超声图像处理方法
CN115775210A (zh) 一种广域眼底相机图像融合方法、***及存储介质
CN106446805A (zh) 一种眼底照中视杯的分割方法及***
JP2002269539A (ja) 画像処理装置、画像処理装置方法、及び画像処理プログラムを記録したコンピュータ読み取り可能な記録媒体、並びにこれを用いた診断支援システム
CN114972272A (zh) 一种基于Grad-CAM的新冠肺炎病灶分割方法
CN116030042B (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
Niemeijer et al. Automated localization of the optic disc and the fovea
CN111292285B (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
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
CN110969617A (zh) 视杯视盘图像识别方法、装置、设备及存储介质
CN115841472A (zh) 大脑中动脉高密度征识别方法、装置、设备及存储介质
CN108154512A (zh) 一种基于多重去趋势分析的视网膜图像血管分割***
CN115908795A (zh) 眼底动静脉分割方法、血管参数计算方法，装置和设备
CN115294599A (zh) 一种基于卷积神经网络的足底图像识别方法

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
GR01 Patent grant
GR01 Patent grant